Joint Segmentation of Retinal Layers and Focal Lesions in 3-D OCT Data of Topologically Disrupted Re

Joint Segmentation of Retinal Layers and Focal Lesions in 3-D OCT Data of Topologically Disrupted Retinas
翻译：拓扑破坏性视网膜的3-D OCT数据中的视网膜层和局灶性病变的联合分割

摘要
具有病理学的眼睛的3-D光学相干断层扫描数据中的视网膜结构的准确定量可提供临床相关信息。我们提出了一种方法，通过松散耦合的水平集框架来共同分割具有拓扑破坏性视网膜疾病的眼睛中的视网膜层和病变。在新方法中，将病变建模为辅助界面所描绘的附加空间变量层。此外，界面的分割受相邻视网膜层之间信号的局部差异控制，从而允许处理局部强度变化的方法。已对受中心性浆液性视网膜病变和年龄相关性黄斑变性影响的眼睛评估了提出的分层和病变分割方法的准确性。另外，在没有拓扑结构破坏性视网膜疾病的眼睛上评估了所提出的方法的层分割。对于所有数据类型，发现由医生手动执行的分割与从自动分割获得的结果之间具有良好的一致性。所有接口的平均无符号误差在2.3和11.9μm（0.6-3.1像素）之间变化。此外，病灶分割显示玻璃疣的Dice系数为0.68，液体囊的Dice系数为0.89。总体而言，该方法提供了一种灵活而准确的解决方案，以联合分割病变和视网膜层。

第一节引言
光学相干断层扫描（OCT）是一种非侵入性，非接触式成像技术，可用于获取视网膜结构的体内图像[1]。其高分辨率使得能够研究视网膜组织层和病理变化。在各种眼病中，一层或多层视网膜的厚度受到影响。例如，青光眼患者发生视网膜神经纤维层（RNFL）变性[2]，而年龄相关性黄斑变性（AMD）患者的神经节细胞复合物（GCC）变薄。此外，构成层的组织的性质发生改变。例如，在青光眼患者中，与健康受试者相比，OCT信号和OCT得出的RNFL衰减系数值降低了[4]，而在中枢性浆液性视网膜病变（CSR）患者中，反射率的改变遇到外核层（ONL）[5]，[6]。最后，某些病理可能会导致健康受试者的视网膜中不存在的其他结构。在干燥的AMD中，视网膜内形成细胞外组织的小沉积物，称为玻璃疣。在CSR中，视网膜下腔中积聚的液体会形成液袋，从而破坏视网膜的外层。在糖尿病性黄斑水肿（DME）中，视网膜囊肿可能在内部和外部视网膜层内形成。
准确定量视网膜结构（包括层和病变），可提供有关视网膜的临床相关信息。这些成像生物标志物的提取已成为一项重要任务，因为它为视网膜疾病的诊断，预后和监测提供了有价值的输入。手动完成时，由于所需的精度和大数据量，这可能是主观且耗时的工作。因此，需要一种客观且自动化的工具来提取临床有用的信息，例如层的厚度以及新出现的病理的存在和程度。
之前已经认识到了对视网膜层和病变进行分割的需要。但是，大多数现有方法都专注于提取患病视网膜中特定病变的信息[7] [8] [9] [10] [11] [12]或分割健康视网膜中的视网膜层[13] [14] [15] [16] [17] [18] [19]和受青光眼等疾病影响的视网膜仅导致某一层变薄而没有任何严重的层变形[20] [21] [22 ] [23] [24] [25] [26] [27]。通过仅分割视网膜病变而不进行视网膜层分割，可以忽略其他有关视网膜的潜在有价值的临床信息。
自动分割可能存在于病理性视网膜中的视网膜层和病变，例如视网膜下液，玻璃膜疣和囊肿，仍然是一项艰巨的任务，因为病变的存在会导致视网膜的大量破坏。 首先，视网膜的拓扑和形态可能会受到影响。 第二，病变的大小，形状和位置差异很大。 第三，一层或多层的OCT强度在一次扫描中可能会发生很大变化。 图1中显示了一些提到的分割挑战，其中显示了受CSR影响的一只眼睛的典型B扫描和受AMD影响的一只眼的B扫描。 最后，视网膜上的所有上述变化都可能违反对层的强度和厚度的先验知识的使用。

图1.患有OCR（上排）和AMD（下排）的患者的视网膜OCT B扫描强度和估计的衰减系数。 箭头指向图层强度或衰减系数发生变化的区域。 星号标记病变的位置，即CSR中的液囊和AMD中的玻璃疣。
已经提出了一些分割视网膜层和病变的方法[11]，[17]，[28] [29] [30] [31] [32] [33] [34] [35] [36] [37]，但是这些方法中只有三种方法对层和病变分割的准确性进行了评估[29]，[31]，[32]。 Quellec等。 [31]和Chiu等。 [29]采用机器学习方法分别对渗出性AMD和DME数据中的层和病变进行分割。由于这两种方法均基于机器学习方法，因此可能难以解释，改进以及适应其他视网膜疾病。实际上，已经报道了将机器学习方法用于视网膜层分割扩展到其他类型的视网膜疾病的方法在很大程度上取决于训练数据集[13]。此外，Shi等。 [32]通过利用两个视网膜表面之间的距离和几个经验确定的阈值来搜索疾病特异性足迹，以在受浆液性色素上皮脱离影响的视网膜数据中分割病变和视网膜层。最后，在所有三种方法中，将病变和层以顺序的方式进行分割。因此，在第一步中发生的分割错误可能会传播到第二步，而无法对其进行校正。
在本文中，我们提出了一种在具有拓扑结构破坏性视网膜疾病的眼中共同分割视网膜层和病变的方法。该问题在松散耦合水平集（LCLS）的框架中表达，该框架先前是为健康受试者和青光眼患者的黄斑和乳突周围扫描中视网膜层之间的界面同时分割而开发的[27]。新方法扩展并泛化了现有方法，因为它可以处理局部强度变化以及视网膜中是否存在病理结构[38]，[39]。在我们的框架中，将病变建模为由辅助界面描绘的附加空间变化层。当不存在病变时，这些附加层将具有（接近）零厚度。此外，界面的分割由相邻视网膜层之间信号的局部差异控制，从而允许处理局部强度变化的方法。对患有CSR或AMD的患者进行了评估：两种破坏拓扑的视网膜疾病。给出了分层和病变分割的结果。考虑了七个界面：玻璃体-RNFL，RNFL-GCL，IPL-INL，INL-OPL，OPL-ONL，IS椭球和RPE后边界。在AMD患者中，除上述接口外，还对Bruch的膜进行了分割。图2给出了这些层及其定义的完整描述。

图2.用LCLS方法在3D视网膜上获得的分割结果，该3D视网膜由连续的衰减系数B扫描组成。 分割的视网膜层的全名及其缩写如下（从图像顶部开始）：玻璃体； 视网膜神经纤维层（RNFL）; 神经节细胞层（GCL）和内部丛状层（IPL）； 内核层（INL）； 外丛状层（OPL）; 外核层（ONL）； 内部段（IS）和外部段（OS）； 视网膜色素上皮（RPE）; 脉络膜。 蓝线表示A扫描。 3D坐标系在左上角用箭头指示。 分割框架中用于层（l1，l2）和接口（C1，C2）的符号用白色字母表示。

第二节视网膜联合层和病变分割的方法
提出的分割框架对视网膜层和病变之间的界面进行联合分割。它对衰减系数进行运算，衰减系数是从体内人视网膜OCT数据得出的[40]。通过利用图像数据和有关视网膜的解剖学知识（例如其层的预定义顺序）同时对界面进行分段。该框架包括几个处理步骤，包括转换为衰减系数，视网膜特征检测，噪声抑制以及实际的关节层和病变分割方法。首先，我们简要介绍到衰减系数的转换（II-A）和LCLS框架（II-B）。然后，我们对框架进行了概括，以应对CSR和AMD患者眼中出现的分割难题，例如层内估计衰减系数的局部变化（II-C）和空间变化性病变（II- D）。最后，我们提供了有关病变分割（II-E）以及关节分割方法（II-F）的初始化，参数值的选择（II-G）以及用于评估（II-H）。
A.衰减系数
将原始OCT数据的强度补偿为噪声和深度相关的衰减（在[27]中有更详细的描述），然后将OCT数据转换为衰减系数[40]。衰减系数是组织的光学性质，因此是照度不变的。因此，大大减少了OCT图像中常见的各种伪像，例如层内的强度波动。简而言之，衰减系数的计算是基于一定深度处的强度与超过该深度处的强度之和的比率来进行的。某个深度处的强度值表示该深度处的反向散射光，而总和表示超出当前深度的深度处反向散射的光量。两者之比可以理解为入射光中被反向散射的部分。
图1显示了在转换为衰减系数之前和之后，受CSR和AMD影响的眼睛进行B扫描的示例。从该图可以看出，受CSR影响的眼睛在几层的估计衰减系数中显示出较大的局部变化。在流体袋的区域中。
然后，检测视网膜特征（血管以及围绕视网膜的内部和外部边界的粗略估计），并应用结构驱动的各向异性高斯滤波器来抑制数据中的噪声。最后，将开发的层分割方法应用于过滤后的数据。
B.松耦合水平集
LCLS框架采用一种概率方法，该方法结合了图像数据和视网膜的先验知识以分割视网膜层之间的界面。 每个接口Ci都由其自己的级别集函数ϕi表示，该函数根据以下方式传播：
。。。。。。
图2显示了使用我们的原始方法对健康受试者进行扫描时得到的分割结果的示例，以及一些使用的术语，包括z，x轴，快侧和慢侧扫描轴组成的坐标系 和y方向。 尽管我们最初的方法在健康和受青光眼影响的眼睛上表现良好，但当应用于具有拓扑结构破坏性病理的眼睛时，其某些假设仍然存在问题。 在某些情况下，这些层不再是均匀的，而是显示出较大的衰减系数变化，这会影响似然估计以及先验知识的使用。 此外，病变的存在会影响视网膜的拓扑和形态。
C.局部适应性可能性
原始的LCLS框架通过利用整个体积上接口两侧之间的衰减系数差异来全局优化所有接口的分段。 在水平集传播的每次迭代中，为每个层导出衰减系数的直方图，并从中确定沿属于每个相邻层的界面的像素的似然性。
如已经提到的，一些具有病理学的眼睛在一层内的估计衰减系数中显示出突然的局部变化。 这显然违反了同质层的假设，并且使全局方法不再可行。 但是，界面的两侧之间的估计衰减系数的差异在很大程度上保留在局部尺度上。 图3显示了B扫描图像中两个不同位置的层内估计衰减系数变化的示例。

图3。
通过检查在两个不同位置处围绕OPL-ONL接口的层的局部似然度（窗口宽度设置为565μm，即50个像素）来估计各层内衰减系数值的差异的示例。 尽管两层的可能性针对不同的位置而有很大的不同，但是仍然存在对比度（OPL仍然比ONL亮）。

因此，我们建议通过在每个A扫描周围设置一个感兴趣的窗口并根据该窗口内的值计算归一化的直方图来利用这些局部差异，而不是考虑整个图层。对于每次A扫描，都采用一个矩形窗口（如图3所示），该窗口具有一定的宽度（在II-G节中有更详细的描述），并且高度超过图像高度。然后，窗口从图像的一侧滑动到另一侧。为了为特定的A扫描计算特定层的局部直方图，仅考虑属于该层并在感兴趣窗口内的数据点。
现在，所计算的局部直方图对观察界面周围各层内的某些衰减系数值的可能性进行建模，但将其约束到感兴趣的区域。这是通过使概率Pr（μ|Ωi）取决于体积内的横向位置并用Pr（μ|Ωi，x，y）代替来实现的。类似地，概率Pr（μ|Ωi+ 1）也变为与位置有关的Pr（μ|Ωi+ 1，x，y）。这使得能够在局部尺度上计算方程2中的后验概率，该后验概率由Pr（li |μ，x，y）代替。
D.病变建模
病变可包含在单个层中，例如异常的液体囊（例如CSR中的视网膜下液），而在干燥的AMD中则有玻璃膜疣，或者可扩展到多个视网膜层，例如视网膜囊肿（例如CME中的视网膜内囊肿） 。如果病变包含在某个层中，则可以将它们视为存在于视网膜中的另一个层。由于LCLS框架允许分割任意数量的层，因此我们建议将病变建模为附加层。

引入辅助界面以描绘病变的顶部和底部边界（如果病变位于特定层中）。如果病变的边界之一与视网膜层之间的界面重合，则引入单个辅助界面。然后，基于图像数据和有关视网膜的解剖学知识，根据公式1传播这些辅助界面。尽管在这些眼睛中视网膜的拓扑结构发生了变化，但是如果病变包含在另一个视网膜层中，则仍可以以与原始框架相同的方式利用有关视网膜层的预定顺序的解剖学知识。

从辅助接口获得病变的分割。在没有病变的情况下，附加层的厚度将接近零。这样，所提出的方法提供了关于病变的存在及其空间范围的信息。
E.病变分割
在CSR中，液体会积聚在RPE上方，并形成视网膜下液袋。在我们的框架中，该流体被建模为存在于被IS椭球和后RPE边界包围的另一个视网膜层中的附加层。因此，引入了两个辅助接口。通过利用周围层的估计衰减系数值的差异和先验知识，根据等式1传播这些辅助界面。强制执行有关层顺序的先验知识，以使流体包含在IS椭球和RPE后边界之间。然而，没有施加关于流体袋的厚度的先验知识。此外，在II-G节中描述了关于辅助接口的任一侧上的衰减系数值的现有知识。如前所述，在无损伤的区域和扫描中，附加层可能会收缩至接近零的厚度。实际上，该层的厚度在0-3.9μm之间变化，即小于一个像素。因此，认为小于3.9μm的厚度表明该位置不存在病变。

在AMD中，RPE发生破坏，细胞外物质开始积累，导致玻璃膜疣形成。这种破坏的结果是，布鲁赫膜与RPE后边界分离。但是，该膜仅在玻璃膜疣下方可见，而在没有玻璃膜疣的区域和眼睛中，它仍位于RPE后边界附近，无法辨别。因此，玻璃疣可被认为是RPE后边界与Bruch膜之间的一层。由于玻璃膜疣的边界之一与视网膜层之间的界面重合，因此仅引入了一个与Bruch膜相对应的辅助界面。 Bruch膜的分割通常是通过取RPE后边界的凸包络来获得的[7]，[9]，[41]。 RPE后边界的所有抬高均大于20μm[42]，[43]且直径大于25μm（由年龄相关的眼病研究确定[44]），被认为是玻璃疣。
。。。。
H.数据
来自鹿特丹眼科医院（荷兰鹿特丹）一项正在进行的CSR研究获得了25例患有CSR的患者（每只眼睛一只眼睛）的黄斑OCT容积扫描。该数据集的扫描是通过Spectralis SD-OCT系统（德国海德堡工程公司）获得的，其视场为20°×20°。扫描协议将97个B扫描（包括496个496像素的A A扫描）组合为一个体积。分别在z，x和y方向上以约3.9×11.3×60.2 mm 3的体素间距强烈各向异性地采样记录的数据。该系统采用了眼动仪，并设置为平均5次B扫描，然后再进行下一次B扫描。

从可公开获得的数据集中获得了十名患有AMD的患者的黄斑OCT扫描（每名患者一只眼睛）。扫描也是通过Spectralis OCT系统获得的，但是原始OCT不可用。相反，数据集包含以标记图像文件格式导出的图像。尚不清楚是什么导致该数据集中RPE的较低衰减系数。有关使用的扫描协议的更多详细信息，请参阅[47]。

对于AMD患者和5例CSR患者，从每个体积扫描中随机选择两次带病变的B线扫描，以进行手动注释。对于其余的CSR患者，随机选择一项具有病变的B线扫描。手动分割是由医生使用公开上市的ITK-SNAP在逐个切片的基础上完成的。在来自CSR患者的数据中，专家被要求划定液体边界和以下接口：玻璃体-RNFL，RNFL-GCL，IPL-INL，INL-OPL和OPL-ONL接口以及IS椭球和后RPE CSR患者数据的边界。在AMD患者的数据中，除了上述接口外，还要求专家描绘布鲁赫膜。