Automated segmentation of microvessels in intravascular OCT images using deep learning

要約

この脆弱性の特徴を解析するために、我々は血管内光コヒーレンス・トモグラフィー（IVOCT）画像における微小血管の自動検出のためのディープラーニング手法を開発した。85の病変と37の正常セグメントからの合計8,403のIVOCT画像フレームを分析した。手動アノテーションは，当グループが以前に開発した専用ソフトウェア（OCTOPUS）を用いて行った．微小血管があらゆる角度から見えるように、IVOCTの生画像に極座標（r,{theta}）領域のデータ補強を行った。前処理として、ガイドワイヤー/影検出、ルーメンセグメンテーション、ピクセルシフト、ノイズリダクションを行った。微小血管候補のセグメンテーションにはDeepLab v3+を使用した。各候補上のバウンディングボックスは、浅い畳み込みニューラルネットワークを使用して、微小血管または非微小血管のいずれかに分類された。より良い分類を行うために、ネットワーク学習時に微小血管のあるバウンディングボックスに対してデータ拡張（角度回転など）を行った。この結果、Diceは0.71+/-0.10、ピクセル単位の感度・特異度は87.7+/-6.6%/99.8+/-0.1%となり、微小血管のセグメンテーション性能は大幅に改善された。候補から微小血管を分類するネットワークは、感度99.5+/-0.3%、特異度98.8+/-1.0%、精度99.1+/-0.5%と極めて良好な結果を示した。また、分類ステップでは残存する偽陽性の大部分を排除し、ダイス係数は0.71から0.73に増加した。さらに、微小血管が存在する画像フレームは、手動解析の730フレームに対して、我々の方法では698フレームとなり、その差は4.4%であった。手動解析と比較すると、本手法は微小血管の連続性を向上させ、セグメンテーション性能の向上を示唆する結果となった。この方法は、研究目的だけでなく、将来の治療計画の可能性にも有用である。

要約(オリジナル)

To analyze this characteristic of vulnerability, we developed an automated deep learning method for detecting microvessels in intravascular optical coherence tomography (IVOCT) images. A total of 8,403 IVOCT image frames from 85 lesions and 37 normal segments were analyzed. Manual annotation was done using a dedicated software (OCTOPUS) previously developed by our group. Data augmentation in the polar (r,{\theta}) domain was applied to raw IVOCT images to ensure that microvessels appear at all possible angles. Pre-processing methods included guidewire/shadow detection, lumen segmentation, pixel shifting, and noise reduction. DeepLab v3+ was used to segment microvessel candidates. A bounding box on each candidate was classified as either microvessel or non-microvessel using a shallow convolutional neural network. For better classification, we used data augmentation (i.e., angle rotation) on bounding boxes with a microvessel during network training. Data augmentation and pre-processing steps improved microvessel segmentation performance significantly, yielding a method with Dice of 0.71+/-0.10 and pixel-wise sensitivity/specificity of 87.7+/-6.6%/99.8+/-0.1%. The network for classifying microvessels from candidates performed exceptionally well, with sensitivity of 99.5+/-0.3%, specificity of 98.8+/-1.0%, and accuracy of 99.1+/-0.5%. The classification step eliminated the majority of residual false positives, and the Dice coefficient increased from 0.71 to 0.73. In addition, our method produced 698 image frames with microvessels present, compared to 730 from manual analysis, representing a 4.4% difference. When compared to the manual method, the automated method improved microvessel continuity, implying improved segmentation performance. The method will be useful for research purposes as well as potential future treatment planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL