[論文レビュー] A Labeling-Free Approach to Supervising Deep Neural Networks for Retinal Blood Vessel Segmentation

Yongliang Chen|arXiv (Cornell University)|Apr 25, 2017

Retinal Imaging and Analysis参考文献 25被引用数 14

ひとこと要約

本稿では、網膜血管構造を表す線分というドメイン固有の事前知識を用いて合成学習データを生成することで、手動アノテーションの必要がない深層畳み込みニューラルネットワークの訓練手法を提案する。この手法は、ベンチマークデータセット（DRIVEおよびSTARE）で競争力ある性能を達成しており、深層ネットワークにおける強力な特徴学習が、実際のラベル付き画像ではなく、知識を組み込んだデータによって駆動可能であることを示している。

ABSTRACT

Segmenting blood vessels in fundus imaging plays an important role in medical diagnosis. Many algorithms have been proposed. While deep Neural Networks have been attracting enormous attention from computer vision community recent years and several novel works have been done in terms of its application in retinal blood vessel segmentation, most of them are based on supervised learning which requires amount of labeled data, which is both scarce and expensive to obtain. We leverage the power of Deep Convolutional Neural Networks (DCNN) in feature learning, in this work, to achieve this ultimate goal. The highly efficient feature learning of DCNN inspires our novel approach that trains the networks with automatically-generated samples to achieve desirable performance on real-world fundus images. For this, we design a set of rules abstracted from the domain-specific prior knowledge to generate these samples. We argue that, with the high efficiency of DCNN in feature learning, one can achieve this goal by constructing the training dataset with prior knowledge, no manual labeling is needed. This approach allows us to take advantages of supervised learning without labeling. We also build a naive DCNN model to test it. The results on standard benchmarks of fundus imaging show it is competitive to the state-of-the-art methods which implies a potential way to leverage the power of DCNN in feature learning.

研究の動機と目的

• 網膜血管分離において、限られた手動アノテーションとその高コストという重要な課題に対処すること。
• 事前知識を活用することで、実際のラベル付きデータに依存せずに深層畳み込みニューラルネットワークを効果的に訓練できるかどうかを検討すること。
• 規則に基づいた合成サンプルを用いて深層学習モデルを監視する手法を開発すること。
• 標準的な網膜画像ベンチマーク上でのこのラベルなしアプローチの実現可能性と性能を評価すること。
• 深層畳み込みニューラルネットワークにおける強力な特徴学習が、知識駆動型のデータ生成によって達成可能であることを示すこと。

提案手法

• 本手法は、網膜血管の解剖学的知識に基づいた手作業によるルールを用いて、人工的な学習サンプルを生成する。具体的には、特定の幅と方向性を持つ線分のような構造を模倣する。
• 合成画像は、パラメータ（例：長さ、太さ、角度）を制御した線分を配置することで作成され、実際の血管パターンを模擬する。
• 対応するバイナリラベル（血管の存在有無）を伴う、単純な深層畳み込みニューラルネットワーク（DCNN）をこれらの合成画像で訓練する。
• 標準的なバックプロパゲーションと確率的勾配降下法を用いて訓練し、デフォルトのハイパーパrameterを用い、最小限のチューニングを行う。
• 入力画像は、合成学習データのコントラスト極性に一致させるために、反転処理を施す。
• DRIVEおよびSTAREデータセットの実際のフンダス画像を用いて、標準指標（AUC、正解率、感度、特異度）で性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 深層畳み込みニューラルネットワークは、手動でアノテートされた訓練データに依存せずに、網膜血管分離で競争力ある性能を達成できるか？
• RQ2 ドメイン固有の事前知識をどれだけ活用して、医療画像分離のための効果的な合成訓練データを生成できるか？
• RQ3 合成データで訓練された単純なDCNNアーキテクチャは、実際のフンダス画像において、最先端の教師あり手法を上回るか、同等の性能を発揮するか？
• RQ4 合成データセットの構造（例：線分の太さ、連続性）は、訓練済みモデルの一般化性能にどのように影響するか？
• RQ5 強力なドメイン事前知識によってガイドされた場合、DCNNの内在的な特徴学習能力が、現実世界のラベルの欠如を補えるか？

主な発見

• 提案手法は、DRIVEデータセットでAUC 0.9516、正解率 0.9453を達成し、教師あり最先端手法と比較して競争力ある性能を示した。
• STAREデータセットでは、AUC 0.9557、正解率 0.9449を達成し、さらに本手法のロバストネスと一般化能力を裏付けた。
• DRIVEでは感度 0.7426、特異度 0.9735を達成し、真の血管の検出能力が高く、誤検出（偽陽性）を最小限に抑えることができた。
• 単純で最適化されていないDCNNアーキテクチャを用い、200,000イテレーションの訓練のみであったにもかかわらず、より複雑で高度にチューニングされた教師ありモデルと同等の性能を発揮した。
• 可視化解析により、ネットワークが線分に強く反応しており、望ましい血管の形状と整合しており、合成データの設計が妥当であることが裏付けられた。
• 結果から、事前知識が、医療画像分離のための深層ネットワークの監視において、手動アノテーションの代替として効果的に機能することが示唆された。