[论文解读] Towards Label-Free 3D Segmentation of Optical Coherence Tomography Images of the Optic Nerve Head Using Deep Learning

Sripad Krishna Devalla, Tan Hung Pham+17 more|arXiv (Cornell University)|Jan 1, 2020

Retinal Imaging and Analysis参考文献 71被引用 4

一句话总结

本文提出了一种无标签、设备无关的深度学习框架，用于光学相干断层扫描（OCT）图像中视神经乳头组织的3D分割。通过采用两阶段方法——首先利用设备特定的增强网络在三种OCT设备上提升图像质量，然后将仅在一个设备上训练的分割网络（ONH-Net）应用于其他两个设备进行精确分割——该方法在无需为新设备进行人工分割标注的情况下，实现了Dice分数（>0.92）的高水平性能，从而实现了广泛的临床转化。

ABSTRACT

Recently proposed deep learning (DL) algorithms for the segmentation of optical coherence tomography (OCT) images to quantify the morphological changes to the optic nerve head (ONH) tissues during glaucoma have limited clinical adoption due to their device specific nature and the difficulty in preparing manual segmentations (training data). We propose a DL-based 3D segmentation framework that is easily translatable across OCT devices in a label-free manner (i.e. without the need to manually re-segment data for each device). Specifically, we developed 2 sets of DL networks: the 'enhancer' (enhance OCT image quality and harmonize image characteristics from 3 devices) and the 'ONH-Net' (3D segmentation of 6 ONH tissues). We found that only when the 'enhancer' was used to preprocess the OCT images, the 'ONH-Net' trained on any of the 3 devices successfully segmented ONH tissues from the other two unseen devices with high performance (Dice coefficients > 0.92). We demonstrate that is possible to automatically segment OCT images from new devices without ever needing manual segmentation data from them.

研究动机与目标

• 解决OCT基青光眼分割中设备特异性深度学习模型带来的临床局限性。
• 消除在新OCT设备上部署模型时对人工分割标注的需求。
• 开发一种框架，实现在无需使用标注数据重新训练的情况下，实现3D分割在不同设备间的泛化能力。
• 提升深度学习工具在多样化OCT扫描仪中青光眼管理的临床可转化性。

提出的方法

• 提出一种两阶段深度学习框架：图像增强网络后接3D分割网络（ONH-Net）。
• 增强网络在来自三种不同OCT设备的未标注OCT体积上进行训练，以统一图像特征（如对比度和斑点噪声）。
• ONH-Net仅在单一设备的数据上进行训练，但通过利用其他设备的增强图像实现跨设备分割。
• 增强网络确保了设备间图像质量的一致性，使ONH-Net无需在新设备的标注数据上重新训练即可实现泛化。
• 该框架仅需每台新设备100个体积的未标注数据即可重新训练增强网络，避免了耗时的人工标注。
• 该方法与迁移学习不同，因为分割网络与增强网络独立学习，增强网络通过不与ONH-Net共享知识的方式实现泛化。

实验结果

研究问题

• RQ1 基于深度学习的3D分割框架是否能在无需为每台设备进行人工标注的情况下，实现在多台OCT设备上的高性能？
• RQ2 设备特定的图像增强网络在实现3D分割网络跨设备泛化方面有多高效？
• RQ3 与原始图像相比，使用多台OCT设备的增强图像是否能提升分割的准确性和鲁棒性？
• RQ4 该框架在不同OCT扫描仪之间在多大程度上保持了分割的一致性，特别是对于临床上关键的青光眼相关结构（如小梁板）？
• RQ5 这种无标签方法是否能显著减少在配备异构OCT设备的临床环境中部署深度学习模型的时间和成本？

主要发现

• 所提出的框架在所有三台OCT设备上对视神经乳头组织的六个组织层均实现了平均Dice系数高于0.92，证明了其高分割精度。
• 在单一设备数据上训练的ONH-Net在另外两台设备上成功分割组织，且性能无显著差异（p > 0.05），证实了设备无关性。
• 图像增强网络对跨设备性能至关重要，因为若无该网络，分割精度显著下降。
• 该框架仅需每台新OCT设备100个体积的未标注数据即可实现在新设备上的自动分割，完全消除了人工标注的需求。
• 无论训练设备为何，分割性能在设备间均保持临床可靠性，Dice分数无显著差异。
• 尽管在不同训练设备中小梁板的曲率和厚度存在轻微差异，但整体分割质量仍被认为具有临床可接受性。