[论文解读] Retinal Fluid Segmentation and Detection in Optical Coherence Tomography Images using Fully Convolutional Neural Network

Donghuan Lu, Morgan Heisler+4 more|arXiv (Cornell University)|Oct 13, 2017

Retinal Imaging and Analysis参考文献 2被引用 26

一句话总结

该论文提出了一种基于全卷积神经网络（FCN）的框架，用于在光学相干断层扫描（OCT）图像中进行视网膜液体分割与检测，利用内界膜（ILM）和视网膜色素上皮（RPE）层分割生成相对距离图作为额外输入。该方法在使用留一法交叉验证的 RETOUCH 数据库上，实现了液体分割的平均 Dice 评分 0.7317 和液体检测的 AUC 0.985。

ABSTRACT

As a non-invasive imaging modality, optical coherence tomography (OCT) can provide micrometer-resolution 3D images of retinal structures. Therefore it is commonly used in the diagnosis of retinal diseases associated with edema in and under the retinal layers. In this paper, a new framework is proposed for the task of fluid segmentation and detection in retinal OCT images. Based on the raw images and layers segmented by a graph-cut algorithm, a fully convolutional neural network was trained to recognize and label the fluid pixels. Random forest classification was performed on the segmented fluid regions to detect and reject the falsely labeled fluid regions. The leave-one-out cross validation experiments on the RETOUCH database show that our method performs well in both segmentation (mean Dice: 0.7317) and detection (mean AUC: 0.985) tasks.

研究动机与目标

• 开发一种自动化方法，以实现对 3D OCT 图像中视网膜液体的精确分割与检测，这对于诊断和监测糖尿病性黄斑水肿和年龄相关性黄斑变性等疾病至关重要。
• 通过利用来自 ILM 和 RPE 层位置的相对距离图，引入空间上下文信息，以提高液体分割的准确性。
• 通过在 FCN 识别出的候选液体区域上应用随机森林分类，减少液体检测中的假阳性结果。
• 在 RETOUCH 数据库上采用留一法交叉验证策略，评估该方法在多种 OCT 设备（Cirrus、Spectralis、Topcon）上的性能表现。

提出的方法

• 该方法采用类似 U-Net 的全卷积神经网络（FCN），同时以原始 OCT 图像和相对距离图为输入，其中距离图编码了每个像素相对于 ILM 和 RPE 层的垂直位置。
• 相对距离图通过公式 $ I(x,y) = \frac{y - Y_1(x)}{Y_1(x) - Y_2(x)} $ 计算得出，其中 $ Y_1(x) $ 和 $ Y_2(x) $ 分别为在 x 处的 ILM 和 RPE 的 y 坐标。
• FCN 通过在编码路径与解码路径之间引入跳跃连接，以保留空间分辨率，并输出一个包含 4 个通道的概率图，分别对应背景、视网膜内液体（IRF）、视网膜下液体（SRF）和色素上皮脱离（PED）。
• 通过 8-连通性分组将被分类为液体的像素聚类，识别出候选液体区域，并在这些区域提取的特征上训练随机森林分类器，以区分真实液体与假阳性结果。
• 通过计算每个液体类型在 10 个最高 B-扫描概率值的平均值，确定体积中是否存在液体，检测性能通过受试者工作特征曲线（ROC）和 AUC 进行评估。

实验结果

研究问题

• RQ1 通过相对距离图引入空间上下文信息，能否提升全卷积神经网络在视网膜 OCT 图像中液体分割的准确性？
• RQ2 在候选液体区域上集成随机森林分类在减少假阳性检测方面效果如何？
• RQ3 所提出的框架是否能在具有不同图像特征的多种 OCT 成像设备（Cirrus、Spectralis、Topcon）上实现良好泛化？
• RQ4 当采用留一法交叉验证在有限数据上进行训练时，该方法在分割准确性和液体检测可靠性方面的表现如何？

主要发现

• 在 RETOUCH 数据库上，该方法在所有液体类型和 OCT 设备上实现了 0.7317 的平均 Dice 评分，用于液体分割。
• 液体检测性能达到 0.985 的平均受试者工作特征曲线下面积（AUC），表明在识别体积中液体存在方面具有高敏感性和特异性。
• 分割性能中的异常值主要源于极小的液体区域或严重的视网膜扭曲，这限制了模型在极端情况下的泛化能力。
• 手动分割与自动分割之间的绝对体积差（AVD）表现出中等程度的变异性，标准差范围为 5.6k 到 390k 像素，具体取决于液体类型和设备。
• 该方法在三种不同 OCT 设备上表现出鲁棒性，Cirrus、Spectralis 和 Topcon 成像系统之间性能保持一致。