[論文レビュー] Attention Guided Network for Retinal Image Segmentation

Shihao Zhang, Huazhu Fu+6 more|arXiv (Cornell University)|Jul 25, 2019

Retinal Imaging and Analysis参考文献 17被引用数 23

ひとこと要約

本稿では、標準的なスキップ接続とアップサンプリングの代わりに構造的詳細を保持するためのアテンションガイドドフィルタを用いる、新しい網膜画像セグメンテーションフレームワークであるAttention Guided Network (AG-Net) を提案する。アテンション機構とガイドドフィルタを統合することで、特徴の融合を向上させ、バックグラウンドノイズを低減し、血管および視神経乳頭／杯セグメンテーションの両タスクで最先端の性能を達成する。

ABSTRACT

Learning structural information is critical for producing an ideal result in retinal image segmentation. Recently, convolutional neural networks have shown a powerful ability to extract effective representations. However, convolutional and pooling operations filter out some useful structural information. In this paper, we propose an Attention Guided Network (AG-Net) to preserve the structural information and guide the expanding operation. In our AG-Net, the guided filter is exploited as a structure sensitive expanding path to transfer structural information from previous feature maps, and an attention block is introduced to exclude the noise and reduce the negative influence of background further. The extensive experiments on two retinal image segmentation tasks (i.e., blood vessel segmentation, optic disc and cup segmentation) demonstrate the effectiveness of our proposed method.

研究の動機と目的

• 網膜画像セグメンテーションにおける特徴のアップサンプリング過程での構造的情報の損失を是正すること。
• U-Netに類似したアーキテクチャにおける特徴の融合を向上させることを目的とし、標準的なスキップ接続を構造に敏感な拡張パスに置き換えること。
• セグメンテーション出力におけるバックグラウンドノイズおよび境界のぼやけ具合の影響を低減すること。
• 血管、視神経乳頭、杯といった臨床的に重要な網膜構造のセグメンテーション精度を向上させること。

提案手法

• 低解像度の特徴マップから高解像度の特徴マップへ構造的情報を転送するガイドドフィルタを用いたアテンションガイドドフィルタを導入する。
• 空間アテンションマップを生成するアテンションブロックを採用し、バックグラウンドノイズを抑制し、フォアグラウンド特徴を強化する。
• アテンションマップを用いてガイドドフィルタの係数を重み付けし、エッジおよび構造的詳細を保持する選択的フィルタリングを可能にする。
• M-Netにおける標準的なアップサンプリングおよびスキップ接続を、情報融合を向上させるためにアテンションガイドドフィルタに置き換える。
• フィルタ係数を双線形補間により再構成し、高解像度の出力マップを再構築する。
• 再構成誤差を最小化するため、正則化項を含む最小二乗問題によりフィルタ係数を最適化する。

実験結果

リサーチクエスチョン

• RQ1 ガイドドフィルタをディープニューラルネットワークに効果的に統合することで、網膜画像セグメンテーションにおける構造的詳細の保持が可能になるか？
• RQ2 ガイドドフィルタにアテンション機構を組み込むことで、バックグラウンドノイズの抑制がセグメンテーション性能の向上に寄与するか？
• RQ3 提案されたアテンションガイドドフィルタは、標準的なスキップ接続およびアップサンプリングと比較して、セグメンテーション精度において優れているか？
• RQ4 アテンションガイドドフィルタは、血管および視神経乳頭／杯セグメンテーションなどの異なる網膜セグメンテーションタスクに一般化可能か？
• RQ5 M-Netなどのベースラインモデルと比較して、提案手法の計算コストはどの程度か？

主な発見

• DRIVEデータセットにおける血管セグメンテーションでは、AG-NetがDSC 0.8186を達成し、ベースラインのM-Net (0.8089) や他の最先端手法を上回った。
• ORIGAデータセットでは、AG-Netが視神経乳頭および杯セグメンテーションのオーバーラップエラー (OE) を0.137に抑え、M-Net+PT (0.150) を含むすべての比較手法を上回った。
• AG-Net+PT*バージョンは、視神経乳頭が0.061、杯が0.212のOEを達成し、サイズの変動に対しても高い頑健性を示した。
• AG-Netは、より高い学習時間であるにもかかわらず、1枚あたりのテスト推論時間を0.0158秒まで短縮し、M-Net (0.0691 s) よりも顕著に高速化した。
• アブレーションスタディの結果、アテンションガイドドフィルタがバックグラウンドノイズを効果的に低減し、境界の正確性を向上させることを確認した。
• 本手法は多様な網膜構造において高い性能を維持しており、臨床的に重要なセグメンテーションタスクにおける一般化能力を確認した。