[论文解读] ROSE: A Retinal OCT-Angiography Vessel Segmentation Dataset and New Model

Yuhui Ma, Huaying Hao+6 more|arXiv (Cornell University)|Jul 10, 2020

Retinal Imaging and Analysis参考文献 58被引用 14

一句话总结

本文介绍了ROSE，这是首个公开可用的视网膜OCT-A血管分割数据集，包含229幅由专家在中心线或像素级别手动标注的OCTA图像，并提出了OCTA-Net，一种基于分割的端到端粗到细深度学习框架，可显著提升对厚血管和薄血管的分割性能。该方法在ROSE数据集上实现了最先进性能，尤其在小毛细血管检测方面表现突出，并在阿尔茨海默病患者与健康对照组之间检测到具有统计学意义的分形维数差异。

ABSTRACT

Optical Coherence Tomography Angiography (OCT-A) is a non-invasive imaging technique, and has been increasingly used to image the retinal vasculature at capillary level resolution. However, automated segmentation of retinal vessels in OCT-A has been under-studied due to various challenges such as low capillary visibility and high vessel complexity, despite its significance in understanding many eye-related diseases. In addition, there is no publicly available OCT-A dataset with manually graded vessels for training and validation. To address these issues, for the first time in the field of retinal image analysis we construct a dedicated Retinal OCT-A SEgmentation dataset (ROSE), which consists of 229 OCT-A images with vessel annotations at either centerline-level or pixel level. This dataset has been released for public access to assist researchers in the community in undertaking research in related topics. Secondly, we propose a novel Split-based Coarse-to-Fine vessel segmentation network (SCF-Net), with the ability to detect thick and thin vessels separately. In the SCF-Net, a split-based coarse segmentation (SCS) module is first introduced to produce a preliminary confidence map of vessels, and a split-based refinement (SRN) module is then used to optimize the shape/contour of the retinal microvasculature. Thirdly, we perform a thorough evaluation of the state-of-the-art vessel segmentation models and our SCF-Net on the proposed ROSE dataset. The experimental results demonstrate that our SCF-Net yields better vessel segmentation performance in OCT-A than both traditional methods and other deep learning methods.

研究动机与目标

• 为解决缺乏公开可用、高质量、经专家标注的OCT-A血管分割数据集的问题。
• 开发一种深度学习模型，能够在噪声大、可视性差的OCTA图像中准确分割厚血管和薄血管。
• 探究视网膜微血管分析作为神经退行性疾病（如阿尔茨海默病）无创生物标志物的潜力。
• 通过标准化、社区可访问的数据集和评估协议，建立OCTA中血管分割的基准。

提出的方法

• ROSE数据集由来自两种不同设备的229幅OCTA图像构建而成，由专家分级人员在中心线或像素级别进行手动标注。
• 设计了一种基于分割的粗分割（SCS）模块，利用ResNeSt主干网络生成血管结构的初始置信图。
• 引入了一种基于分割的精细化分割（SRS）模块，通过融合原始图像与粗分割输出结果，提升血管轮廓的准确性。
• 两阶段的OCTA-Net框架结合粗分割与精细化阶段，以提升对细小毛细血管的检测能力，同时保持结构保真度。
• 采用盒计数法对分割后的微血管进行分形维数（FD）分析，以量化血管复杂性。
• 使用学生t检验对健康对照组与阿尔茨海默病患者在SVC、DVC及SVC+DVC层的FD值进行统计学比较。

实验结果

研究问题

• RQ1 一个新型公开可用的OCT-A血管分割数据集是否能显著提升视网膜成像中分割算法的基准测试与可重复性？
• RQ2 基于分割的粗到细深度学习框架是否在OCTA图像中分割视网膜微血管方面优于现有最先进方法？
• RQ3 阿尔茨海默病患者与健康对照组之间视网膜微血管的分形维数是否存在显著统计学差异？
• RQ4 视网膜微血管的自动化分割能否作为神经退行性疾病早期检测的可靠生物标志物？

主要发现

• 所提出的OCTA-Net在ROSE数据集上的分割性能优于传统方法及基于深度学习的最先进方法，尤其在检测小毛细血管方面表现更优。
• 该模型在定量指标上表现出显著提升，配对t检验证实了性能增益的统计学显著性，尤其在细小血管方面。
• 分形维数分析显示，阿尔茨海默病患者的分形维数显著低于健康对照组，所有三个血管层均具有统计学意义：SVC（p = 0.004），DVC（p = 0.028），SVC+DVC（p = 0.007）。
• 所有血管层中FD差异的统计学显著性支持视网膜微血管分析作为研究神经退行性疾病的一种无创工具的潜力。
• ROSE数据集凭借其高质量标注和多样化的成像来源，为未来视网膜血管分割及疾病生物标志物发现研究提供了坚实基础。