[論文レビュー] A Fully Convolutional Neural Network based Structured Prediction Approach Towards the Retinal Vessel Segmentation

Avijit Dasgupta, Sonam Singh|arXiv (Cornell University)|Nov 7, 2016

Retinal Imaging and Analysis参考文献 11被引用数 6

ひとこと要約

本稿では、隣接ピクセル間の空間的依存関係をモデル化するためにマルチラベル推論を活用する、構造的予測を備えた完全畳み込みニューラルネットワーク（FCN）を提案する。この手法は、DRIVEデータセットで95.33%の精度と0.974のAUCを達成し、ラベル相関を明示的にモデル化する共同損失最適化により、最先端の手法を上回る性能を発揮した。

ABSTRACT

Automatic segmentation of retinal blood vessels from fundus images plays an important role in the computer aided diagnosis of retinal diseases. The task of blood vessel segmentation is challenging due to the extreme variations in morphology of the vessels against noisy background. In this paper, we formulate the segmentation task as a multi-label inference task and utilize the implicit advantages of the combination of convolutional neural networks and structured prediction. Our proposed convolutional neural network based model achieves strong performance and significantly outperforms the state-of-the-art for automatic retinal blood vessel segmentation on DRIVE dataset with 95.33% accuracy and 0.974 AUC score.

研究の動機と目的

• 網膜画像における自動網膜血管分離の課題に取り組む。これは、血管の形態的多様性とノイズの多い背景によって複雑である。
• 構造的予測を用いて隣接ピクセルのラベル間の空間的依存関係をモデル化することで、分離性能を向上させる。
• 深層畳み込みネットワークの階層的特徴抽出能力を活用しつつ、構造的出力予測を組み合わせることで、より良い解剖的構造分離を実現する。
• 新規なFCNベースの構造的予測フレームワークを用いて、公開済みのDRIVEデータセットで最先端の性能を示す。

提案手法

• 本手法は、各ピクセルをその近傍に基づいて血管またはバックグラウンドに分類するマルチラベル推論問題として網膜血管分離を定式化する。
• 完全畳み込みアーキテクチャを用い、ReLU活性化関数とドロップアウト（p=0.7）を用いた正則化を施す、畳み込み層・プーリング層・アップサンプリング層の交互配置を採用する。
• すべての畳み込み層で3×3のカーネルサイズを採用し、網膜画像の緑色チャンネルに対して平均と標準偏差によるバッチ正則化を適用する。
• ラベル依存関係をモデル化し、分離の一貫性を向上させるために、近傍内のすべてのピクセルにわたる共同交差エントロピー損失関数を適用する。
• 事前処理として、緑色チャンネル抽出、正規化、コントラスト制限付き自己適応ヒストグラム均一化、および[0,1]への強度スケーリングを実施し、血管の可視性を向上させる。
• ネットワークの最終出力は1×28×28のセグメンテーションマップであり、多クラス確率出力を得るために最終層でソフトマックス活性化関数を用いる。

実験結果

リサーチクエスチョン

• RQ1 構造的予測を備えた完全畳み込みニューラルネットワークは、従来のピクセル単位分類と比較して、網膜血管分離の精度を向上させることができるか？
• RQ2 構造的損失関数によるマルチラベル予測の共同最適化は、隣接ピクセル間の空間的依存関係を効果的に捉えられるか？
• RQ3 階層的特徴抽出と構造的出力モデリングを統合することで、複雑な網膜血管パターンに対する一般化性能が向上するか？
• RQ4 緑色チャンネルの事前処理とヒストグラム均一化を施すことで、血管の可視性と分離性能がどの程度向上するか？

主な発見

• 提案手法は、DRIVEデータセットで95.33%の精度を達成し、以前の最先端手法を顕著に上回った。
• AUCスコアが0.9744に達し、血管とバックグラウンドを効果的に区別する強力な判別性能を示した。
• 感度76.91%と特異度98.01%は、真の血管を効果的に検出するとともに、誤検出（偽陽性）を最小限に抑えることを示した。
• 精度84.98%は、予測された血管領域に対する高い信頼性を示し、偽発見率が低いことを意味する。
• 可視化結果から、ねじれたり微細だったりする血管領域でも一貫性があり正確な分離が実現していることが確認された。
• Lahiriら、Majiら、Frazらの手法と比較して、精度およびAUC指標の両面で本手法が優れた性能を示した。