Robust methodology for OCT segmentation: Selection of the best algorithm based on crossed metrics

Abstract

A Tomografia de Coerência Ótica (TCO) é uma técnica de imagiologia que permite obter imagens volumétricas da estrutura da retina. A segmentação automática dos volumes produzidos por esta técnica é um processo complexo e, embora existam alguns algoritmos capazes de produzir bons resultados para volumes com alguns tipos de lesão, ainda não existe um algoritmo capaz de dar uma resposta adequada em todas as situações. Este projeto de investigação propõe uma nova abordagem para a segmentação de volumes de TCO. Em vez de aplicar apenas um algoritmo de segmentação, a estratégia consiste em selecionar o melhor algoritmo de segmentação para cada situação, a partir de um conjunto pré-definidos de algoritmos. Neste projeto foi considerada uma base de dados com 123 volumes TCO, previamente segmentados por um especialista, de pacientes diabéticos. Em relação aos algoritmos de segmentação, foram considerados quatro algoritmos baseados na teoria de grafos para a segmentação de volumes TCO.O critério de seleção toma como entrada os as métricas cruzadas, que são métricas calculadas entre a segmentação produzida por cada um dos algoritmos, e devolve o melhor algoritmo para a segmentação em questão. Este critério foi desenvolvido com base em algoritmos de Machine Learning para classificação. Foram consideradas várias configurações para a seleção dos algoritmos e para a utilização das métricas na implementação dos diferentes algoritmos de classificação. Os resultados obtidos neste trabalho evidenciam que a seleção do melhor algoritmo para a segmentação permite alcançar melhores resultados do que a implementação individual de qualquer um dos algoritmos. Os melhores resultados para o critério de seleção foram obtidos para a aplicação de uma Rede Neuronal Artificial na seleção do melhor algoritmo em cada B-scan, com a utilização de todas as métricas como entrada. Este modelo produziu uma sensibilidade de 95%, 17% e 71%, especificidade de 91%, 65% e 77% e F-score de 93%, 27% e 74% para a classificação individual de cada algoritmo de segmentação, quando aplicado num grupo de dados de teste.O critério desenvolvido foi usado para produzir a segmentação dos volumes de teste, implementando a seleção do melhor algoritmo. Os resultados mostram uma redução média de 7,99% do desvio absoluto médio, quando se comparam as segmentações obtidas com a seleção e as segmentações produzidas pelo algoritmo que obtém melhores resultados individualmente.

Optical Coherence Tomography (OCT) is an imaging technique that allows the examination of the retinal structure. The automated segmentation of the volumes produced by this technique is a complex process and, although there are some algorithms that are capable of producing good results on volumes with some types of lesions, there is still no algorithm capable of performing well on all situations.This research project proposes a new approach for the segmentation of OCT volumes. Instead of applying only one segmentation algorithm, the strategy is to select the best segmentation algorithm for each situation, from a pre-defined set of algorithms.For this project a data base with 123 OCT volumes, previously segmented by an expert, from diabetic patients was considered. Regarding the segmentation algorithms, four algorithms based on the graph theory approach for OCT segmentation were considered.The selection criteria takes as input the crossed metrics, which are metrics calculated between the segmentation produced by each algorithm, and outputs the segmentation produced with the best algorithm. This criterion is developed based on Machine Learning algorithms for classification. For the implementation of the different classification algorithms, several configurations were considered for the metrics and for the selection of the best algorithm.The results obtained in this work show that the selection of the best algorithm for the segmentation leads to better results then the individual implementation of any of the algorithms. The best results for the selection criteria were obtained for the application of an Artificial Neural Network for the selection of the best segmentation algorithm for each B-scan, using all the metrics available as input. This model produced a precision of 95%, 17% e 71%, a recall of 91%, 65% e 77% and a F-score of 93%, 27% e 74% for the classification of each individual segmentation algorithm, when applied to a test data set.The developed criteria was applied for the segmentation of the volumes on the test data set, implementing the selection of the best algorithm. The results show a mean reduction of 7,99% of the mean unsigned error, when comparing the segmentation obtained with the selection and the segmentations obtained with the algorithm that presents the best results.