Segmentation of Bruch’s Membrane in retinal OCT with AMD using anatomical priors and uncertainty quantification

要約

光コヒーレンストモグラフィー (OCT) でのブルッフ膜 (BM) セグメンテーションは、先進国の失明の主な原因の 1 つである加齢黄斑変性症 (AMD) の診断とフォローアップの重要なステップです。
自動化された BM セグメンテーション方法は存在しますが、通常は結果の解剖学的一貫性を考慮せず、予測の信頼性に関するフィードバックも提供しません。
これらの要因により、実際のシナリオでのこれらのシステムの適用性が制限されます。
これを念頭に置いて、AMD 患者の自動 BM セグメンテーションのためのエンド ツー エンドのディープ ラーニング手法を提案します。
Attention U-Net は、表面の自然な曲率を考慮しながら、BM 位置の確率密度関数を出力するようにトレーニングされています。
表面位置に加えて、この方法では、セグメンテーション出力の A スキャンに基づく不確実性測定も推定されます。
その後、不確実性の高い A スキャンは、薄板スプライン (TPS) を使用して補間されます。
3 つの AMD ステージすべてをカバーする 138 人の患者を含む内部データセットのアブレーション研究でこの方法をテストし、4.10 um の平均絶対位置推定誤差を達成しました。
さらに、提案されたセグメンテーション方法は最先端の方法と比較され、さまざまな患者コホートおよび OCT デバイスからの外部の公開データセットで優れたパフォーマンスを示し、強力な一般化能力を示しました。

要約(オリジナル)

Bruch’s membrane (BM) segmentation on optical coherence tomography (OCT) is a pivotal step for the diagnosis and follow-up of age-related macular degeneration (AMD), one of the leading causes of blindness in the developed world. Automated BM segmentation methods exist, but they usually do not account for the anatomical coherence of the results, neither provide feedback on the confidence of the prediction. These factors limit the applicability of these systems in real-world scenarios. With this in mind, we propose an end-to-end deep learning method for automated BM segmentation in AMD patients. An Attention U-Net is trained to output a probability density function of the BM position, while taking into account the natural curvature of the surface. Besides the surface position, the method also estimates an A-scan wise uncertainty measure of the segmentation output. Subsequently, the A-scans with high uncertainty are interpolated using thin plate splines (TPS). We tested our method with ablation studies on an internal dataset with 138 patients covering all three AMD stages, and achieved a mean absolute localization error of 4.10 um. In addition, the proposed segmentation method was compared against the state-of-the-art methods and showed a superior performance on an external publicly available dataset from a different patient cohort and OCT device, demonstrating strong generalization ability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google