Choroidal Vessel Segmentation on Indocyanine Green Angiography Images via Human-in-the-Loop Labeling

最近，人在环路（HITL）策略已被引入医学图像处理领域。吲哚菁绿荧光血管造影（ICGA）是一种成熟的检查方法，用于可视化脉络膜血管和检测脉络膜视网膜疾病。然而，脉络膜血管网络的错综复杂使得ICGA图像的大规模手工分割具有挑战性。因此，本研究旨在利用HITL框架开发高精度的脉络膜血管分割模型，以减少劳动力。我们使用了一个多源ICGA数据集，包括55度视野和超广角ICGA（UWF-ICGA）图像进行模型开发。脉络膜血管网络由预先训练的血管分割模型进行预分割，然后由两名眼科医生手动修改。基于分割，自动量化了脉络膜血管直径、密度、复杂度、曲率和分支角度。最后进行了四个HITL循环。前三个循环使用了150张55度视野ICGA图像（每个循环50张），最后一个循环使用了20张UWF-ICGA图像。每个循环手动纠正预分割的ICGA图像所需的平均时间从20分钟降至1分钟。在55度视野ICGA和UWF-ICGA图像上均实现了高精度的分割。此外，多维度的脉络膜血管参数与各种脉络膜视网膜疾病显著相关。我们的研究不仅证明了HITL策略在减少手动标注的情况下提高分割性能的可行性，还创新地引入了几个脉络膜异常的风险预测因素。

论文旨在使用HITL框架，开发高精度的脉络膜血管分割模型，并自动量化血管直径、密度、复杂度、扭曲度和分支角度，以及探索这些参数与脉络膜疾病之间的关系。

论文使用预训练的血管分割模型和人工修正的方法，将HITL应用于脉络膜血管分割中，从而实现高精度的分割。

论文使用多源ICGA数据集进行实验，包括55度视野和超广角ICGA（UWF-ICGA）图像。通过四个循环的HITL，平均每个循环手动修正预分割图像所需的时间从20分钟降至1分钟。研究还自动量化了多维脉络膜血管参数，并发现这些参数与不同的脉络膜疾病有显著关联。

最近的相关研究包括：1）使用深度学习方法进行脉络膜血管分割；2）使用传统方法进行脉络膜血管分割；3）使用自动化方法进行脉络膜病变检测。