Synthetic optical coherence tomography angiographs for detailed retinal vessel segmentation without human annotations

要約

光コヒーレンス断層撮影血管造影法 (OCTA) は、網膜血管構造の高解像度ボリュームを取得できる非侵襲性イメージング モダリティで、眼疾患、神経疾患、心臓疾患の診断に役立ちます。
可視血管のセグメント化は、これらの画像から定量的バイオマーカーを抽出する際の一般的な最初のステップです。
しきい値処理に基づく従来のセグメンテーション アルゴリズムは、画像アーチファクトと限られた信号対雑音比の影響を強く受けます。
最新の深層学習ベースのセグメンテーション手法の使用は、血管の詳細な注釈を備えた大規模なデータセットの欠如によって妨げられてきました。
この問題に対処するために、最近の研究では転移学習が採用されており、セグメンテーション ネットワークが合成 OCTA 画像でトレーニングされ、実際のデータに適用されます。
しかし、以前に提案されたシミュレーションは網膜血管構造を忠実にモデル化できず、効果的な領域適応を提供しません。
このため、現在の方法では網膜血管系、特に最小の毛細血管を完全にセグメント化することができません。
この研究では、より高速でより現実的な OCTA 合成のための、空間植民地化に基づく網膜血管ネットワークの軽量シミュレーションを紹介します。
次に、実際の画像と人工画像の間のドメイン ギャップを減らすために 3 つのコントラスト適応パイプラインを導入します。
私たちは、3 つの公開データセットに対する広範な定量的および定性的な実験で、私たちのアプローチの優れたセグメンテーション パフォーマンスを実証します。この実験では、私たちの方法を従来のコンピューター ビジョン アルゴリズムおよび人間の注釈を使用した教師付きトレーニングと比較します。
最後に、ソース コード、事前トレーニングされたモデル、合成 OCTA 画像の大規模なデータセットを含むパイプライン全体を公開します。

要約(オリジナル)

Optical coherence tomography angiography (OCTA) is a non-invasive imaging modality that can acquire high-resolution volumes of the retinal vasculature and aid the diagnosis of ocular, neurological and cardiac diseases. Segmenting the visible blood vessels is a common first step when extracting quantitative biomarkers from these images. Classical segmentation algorithms based on thresholding are strongly affected by image artifacts and limited signal-to-noise ratio. The use of modern, deep learning-based segmentation methods has been inhibited by a lack of large datasets with detailed annotations of the blood vessels. To address this issue, recent work has employed transfer learning, where a segmentation network is trained on synthetic OCTA images and is then applied to real data. However, the previously proposed simulations fail to faithfully model the retinal vasculature and do not provide effective domain adaptation. Because of this, current methods are unable to fully segment the retinal vasculature, in particular the smallest capillaries. In this work, we present a lightweight simulation of the retinal vascular network based on space colonization for faster and more realistic OCTA synthesis. We then introduce three contrast adaptation pipelines to decrease the domain gap between real and artificial images. We demonstrate the superior segmentation performance of our approach in extensive quantitative and qualitative experiments on three public datasets that compare our method to traditional computer vision algorithms and supervised training using human annotations. Finally, we make our entire pipeline publicly available, including the source code, pretrained models, and a large dataset of synthetic OCTA images.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google