[論文レビュー] A Two-Stream Meticulous Processing Network for Retinal Vessel Segmentation

Shaoming Zheng, Tianyang Zhang+3 more|arXiv (Cornell University)|Jan 15, 2020

Retinal Imaging and Analysis参考文献 12被引用数 4

ひとこと要約

本稿では、階層的モーフォロジカル操作を用いて真値マスクを厚さレベルに自動階層化することで、細い血管および境界領域の検出を向上させる二ストリームのミスティュラスプロセッシングネットワーク（MP-Net）を提案する。モデルはバランスロスと特徴統合を組み合わせた二ストリーム敵対的ネットワークを採用し、DRIVE、STARE、CHASE_DB1で最先端の手法を上回り、それぞれAUCスコアが0.9844、0.9883、0.9858を達成した。

ABSTRACT

Vessel segmentation in fundus is a key diagnostic capability in ophthalmology, and there are various challenges remained in this essential task. Early approaches indicate that it is often difficult to obtain desirable segmentation performance on thin vessels and boundary areas due to the imbalance of vessel pixels with different thickness levels. In this paper, we propose a novel two-stream Meticulous-Processing Network (MP-Net) for tackling this problem. To pay more attention to the thin vessels and boundary areas, we firstly propose an efficient hierarchical model automatically stratifies the ground-truth masks into different thickness levels. Then a novel two-stream adversarial network is introduced to use the stratification results with a balanced loss function and an integration operation to achieve a better performance, especially in thin vessels and boundary areas detecting. Our model is proved to outperform state-of-the-art methods on DRIVE, STARE, and CHASE_DB1 datasets.

研究の動機と目的

• 血管画素の分布におけるクラスの不均衡が原因で、細い網膜血管および境界領域のセグメンテーション性能が低いという課題に対処すること。
• 真値マスクを明確な厚さレベルに分類する自動的で階層的なモーフォロジカル手法を開発し、訓練の感度を向上させること。
• 一般の血管特徴と細い血管に特化した特徴を学習するための二ストリーム敵対的ネットワークを設計すること。
• 両ストリームの予測結果を画素単位のOR演算で統合し、バランスロス関数を適用することで、太い血管に偏った学習を低減すること。
• 標準的な網膜血管セグメンテーションベンチマーク上で、特に細い血管の検出においてモデルの優位性を検証すること。

提案手法

• 自動階層化手法は、増加するカーネルサイズを用いた階層的オープニング操作を用い、血管径に基づいて真値マスクをストラトムに分離する。これは、血管縁曲線間のFréchet距離によって定義される。
• ストラトムは、血管径δがd_c < δ ≤ d_{c+1} を満たす領域として定義され、中間マスクM_{δ>d} の集合差分から導出される。
• 二ストリームアーキテクチャを導入：一方のストリームは、生の画像、スタム、および細いストラトムを統合して一般特徴を処理する。もう一方のストリームは、細いストラトムに特化して特徴を学習する。
• CE-GANのジェネレータはCE-Netアーキテクチャに基づき、ディスクライマーは実際のマップと生成されたセグメンテーションマップを区別するように学習され、特徴の現実性が向上する。
• ストラトムごとにバランスロス関数を適用し、クラスの不均衡を緩和する。最終的な予測は画素単位のOR演算により統合され、細い血管の詳細が保持される。
• AUC、正確度、感度、特異度といった標準指標を用いて、DRIVE、STARE、CHASE_DB1データセット上でエンドツーエンドにモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 血管マスクの厚さレベルによる自動階層化が、細い血管および境界領域のセグメンテーション性能を向上させることができるか？
• RQ2 細い血管に特化したストリームを備えた二ストリーム敵対的ネットワークアーキテクチャが、単一ストリームモデルよりも優れた検出性能を示すか？
• RQ3 厚さストラトムごとのバランスロス関数が、学習におけるバイアスを低減し、代表度が低い細い血管クラスの性能を向上させられるか？
• RQ4 画素単位のOR演算による一般特徴と細い血管特徴の統合が、最終的なセグメンテーション精度にどのように影響するか？
• RQ5 提案されたMP-Netが、標準的な網膜血管セグメンテーションベンチマークで、最先端の手法をどの程度上回るか？

主な発見

• DRIVEデータセットではMP-NetがAUC 0.9844を達成し、以前の最先端手法を上回った。特に細い血管データの統合のおかげで効果が顕著であった。
• STAREデータセットでは、AUC 0.9883を記録し、細い血管および境界領域の検出において優れた性能を示した。
• CHASE_DB1ではAUC 0.9858を記録し、多様な血管特性を示すさまざまなデータセットにおいて一貫した改善が確認された。
• アブレーションスタディにより、各構成要素（階層化、二ストリーム設計、細い血管特化学習）が性能向上に顕著に寄与していることが確認され、完全なモデルが全データセットで最高のAUCを達成した。
• DRIVEおよびCHASE_DB1では最高の特異度、STAREでは最高の感度を達成しており、データセット全体にわたる一般化能と頑健性が示された。
• 階層的モーフォロジカルオープニングを用いた自動階層化により、厚さラベルのアノテーションを必要とせずに、厚さレベルごとの感度を効果的に向上させることができた。