[论文解读] ReLayNet: Retinal Layer and Fluid Segmentation of Macular Optical Coherence Tomography using Fully Convolutional Network

Abhijit Guha Roy, Sailesh Conjeti+5 more|arXiv (Cornell University)|Apr 7, 2017

Retinal Imaging and Analysis被引用 12

一句话总结

ReLayNet 是一种全卷积神经网络，用于在黄斑区光学相干断层扫描（OCT）图像中端到端分割七层视网膜和液体病灶。它采用类似 U-Net 的编码器-解码器架构，并结合加权逻辑回归损失与 Dice 损失的联合损失函数，实现了最先进性能，平均绝对厚度误差仅为 0.13 像素（在 ETDRS 网格区域中），尤其在临床关键的黄斑区表现优异（误差为 0.34 像素）。

ABSTRACT

Optical coherence tomography (OCT) is used for non-invasive diagnosis of diabetic macular edema assessing the retinal layers. In this paper, we propose a new fully convolutional deep architecture, termed ReLayNet, for end-to-end segmentation of retinal layers and fluid masses in eye OCT scans. ReLayNet uses a contracting path of convolutional blocks (encoders) to learn a hierarchy of contextual features, followed by an expansive path of convolutional blocks (decoders) for semantic segmentation. ReLayNet is trained to optimize a joint loss function comprising of weighted logistic regression and Dice overlap loss. The framework is validated on a publicly available benchmark dataset with comparisons against five state-of-the-art segmentation methods including two deep learning based approaches to substantiate its effectiveness.

研究动机与目标

• 开发一种深度学习框架，用于在黄斑区 OCT 图像中实现对视网膜层和液体的精确、端到端分割。
• 在视网膜病理改变导致正常层结构破坏的情况下，提升分割的鲁棒性。
• 实现适合临床部署的高速推理，单幅 B-Scan 的推理时间低于 0.01 秒。
• 在公开基准数据集上，使用标准指标（包括 Dice 分数、厚度估计和轮廓偏差）与最先进方法进行性能验证。
• 展示 ReLayNet 在基于 ETDRS 网格的自动化视网膜厚度测量中的实用性，该网格是标准临床参考。

提出的方法

• ReLayNet 采用受 U-Net 启发的全卷积编码器-解码器架构，其中编码器路径用于提取分层上下文特征，解码器路径用于实现精确的定位。
• 网络通过联合损失函数进行训练，结合了用于像素级分类的加权逻辑回归损失和用于优化预测与真实分割掩码重叠度的 Dice 损失。
• 跳跃连接用于保留空间分辨率，并在反向传播中促进梯度流动，从而增强解码路径中的特征学习。
• 模型在包含 10 名患者的公开基准数据集上进行训练，数据经专家标注，通过数据增强提升泛化能力。
• 推理过程为实时处理，单幅 B-Scan 的处理时间约为 0.01 秒，适用于临床应用。
• 框架通过 ETDRS 网格进行评估，基于分割后的视网膜层计算视网膜厚度，并与其他方法进行比较。

实验结果

研究问题

• RQ1 全卷积网络是否能在 OCT 图像中对视网膜层和液体实现优于现有最先进方法的分割精度？
• RQ2 ReLayNet 在 ETDRS 网格上估计全局视网膜厚度的表现如何，特别是在糖尿病性黄斑水肿诊断中至关重要的黄斑区？
• RQ3 在严重病理改变导致视网膜层结构扭曲的情况下，ReLayNet 的精度能保持多高？
• RQ4 结合加权逻辑回归与 Dice 损失的联合损失函数是否能提升分割的鲁棒性和边界精确度？
• RQ5 由于推理速度快且精度高，ReLayNet 是否可部署于临床工作流程中？

主要发现

• ReLayNet 在 ETDRS 所有 9 个区域的平均绝对厚度误差最低，其中在黄斑区（第 1 区）误差为 0.34 像素，是临床意义最大的区域。
• 在第 1 区，ReLayNet 的厚度估计误差为 0.34 像素，显著低于 CM-Unet（0.89）、CM-GDP（0.59）及其他基线方法，后者在多个区域的误差均超过 1 像素。
• 在 Dice 分数、视网膜厚度估计和轮廓偏差等指标上，ReLayNet 均优于全部五种最先进方法，表现出一致的优越性。
• 即使在存在严重病理改变（如液体积聚和层结构破坏）的区域，模型仍保持高精度，表明其具有强大的鲁棒性。
• CM-Unet 在四个区域（5、7、8、9）中排名第二，但 ReLayNet 在所有区域中均排名第一，尤其在中心黄斑区表现突出。
• ReLayNet 的推理速度约为每幅 B-Scan 0.01 秒，支持实时临床部署。