[论文解读] OCTA-500: A Retinal Dataset for Optical Coherence Tomography Angiography Study

Mingchao Li, Kun Huang+8 more|arXiv (Cornell University)|Dec 14, 2020

Retinal Imaging and AnalysisMedicine被引用 21

一句话总结

OCTA-500 引入了目前公开可用的最大规模视网膜光学相干断层扫描血管成像（OCTA）数据集，包含500名受试者，其双视野OCTA与OCT体积数据，广泛标注（7种分割类型，4种标签），并提出了一项新颖的CAVF多目标分割任务。本研究提出IPN-V2，一种优化的3D到2D投影网络，在CAVF任务上相较基线模型实现约10%的mIoU提升，并评估了数据集特性对模型性能的影响，涵盖输入类型、训练规模及疾病状态等因素。

ABSTRACT

Optical coherence tomography angiography (OCTA) is a novel imaging modality that has been widely utilized in ophthalmology and neuroscience studies to observe retinal vessels and microvascular systems. However, publicly available OCTA datasets remain scarce. In this paper, we introduce the largest and most comprehensive OCTA dataset dubbed OCTA-500, which contains OCTA imaging under two fields of view (FOVs) from 500 subjects. The dataset provides rich images and annotations including two modalities (OCT/OCTA volumes), six types of projections, four types of text labels (age / gender / eye / disease) and seven types of segmentation labels (large vessel/capillary/artery/vein/2D FAZ/3D FAZ/retinal layers). Then, we propose a multi-object segmentation task called CAVF, which integrates capillary segmentation, artery segmentation, vein segmentation, and FAZ segmentation under a unified framework. In addition, we optimize the 3D-to-2D image projection network (IPN) to IPN-V2 to serve as one of the segmentation baselines. Experimental results demonstrate that IPN-V2 achieves an ~10% mIoU improvement over IPN on CAVF task. Finally, we further study the impact of several dataset characteristics: the training set size, the model input (OCT/OCTA, 3D volume/2D projection), the baseline networks, and the diseases. The dataset and code are publicly available at: https://ieee-dataport.org/open-access/octa-500.

研究动机与目标

• 为解决视网膜成像与神经科学研究中公开可用的大规模OCTA数据集稀缺的问题。
• 提供一个丰富标注的数据集，包含双视野OCTA与OCT体积数据，多模态投影，以及详细的临床与解剖学标签。
• 提出一个统一的多目标分割任务（CAVF），整合毛细血管、动脉、静脉与黄斑无血管区（FAZ）的分割。
• 开发并评估IPN-V2，一种改进的3D到2D图像投影网络，以提升分割性能。
• 研究数据集特性（如训练集规模、输入模态（OCT/OCTA）、模型架构及疾病存在）对分割性能的影响。

提出的方法

• OCTA-500数据集包含500名受试者，具有两个视野（FOVs），为每位受试者采集了OCT与OCTA体积数据。
• 该数据集提供了六种2D投影（如正交面）从3D体积生成，支持视网膜微血管的多尺度分析。
• 提出了一项新颖的多目标分割任务CAVF，将毛细血管、动脉、静脉及黄斑无血管区（FAZ）的分割统一于单一框架中。
• IPN-V2网络通过优化原始IPN架构，以改善3D到2D投影中的特征表示与空间对齐。
• 本研究在不同训练集规模、输入模态（OCT与OCTA，3D与2D）及基线网络下评估了模型性能。
• 进行了广泛的消融实验，以评估疾病状态与数据多样性对分割精度的影响。

实验结果

研究问题

• RQ1 训练集规模如何影响OCTA成像中CAVF任务的分割性能？
• RQ2 在视网膜血管分割任务中，3D体积输入与2D投影输入的性能表现有何对比？
• RQ3 不同基线网络在OCTA-500数据集上的分割精度有何差异？
• RQ4 训练数据中疾病状态在多大程度上影响模型的泛化能力与性能？
• RQ5 IPN-V2架构相较于原始IPN在多目标视网膜分割中实现了哪些改进？

主要发现

• IPN-V2在CAVF多目标分割任务上相较原始IPN实现了约10%的mIoU提升。
• 该数据集展现出强大的泛化潜力，当在500名受试者的更大子集上进行训练时，性能提升显著。
• 与3D体积输入相比，3D OCTA体积生成的2D投影在CAVF基准中实现了更优的分割性能。
• 在训练数据中引入受疾病影响的病例可提升模型鲁棒性，尤其在FAZ与毛细血管分割方面。
• 数据集中同时包含OCT与OCTA模态，有助于更好的特征学习，尤其在血管边界勾勒方面。
• 数据集的丰富标注（包括7种分割类型与4种临床标签）支持视网膜疾病分析中的多样化下游应用。