[論文レビュー] Automated Segmentation of the Optic Disk and Cup using Dual-Stage Fully Convolutional Networks

Lei Bi, Yuyu Guo+4 more|arXiv (Cornell University)|Feb 13, 2019

Retinal Imaging and Analysis参考文献 18被引用数 3

ひとこと要約

本論文は、前段階の予測結果を用いた反復的リファインメントを活用することで境界の正確性を向上させる、二段階完全畝込みネットワーク（DSFCN）を提案する。この手法は、網膜後極部画像における自動的網膜神経締縛部および杯部セグメンテーションを実現し、REFUGEチャレンジデータセット上で、杯部のDiceスコアが0.8488、網膜神経締縛部のDiceスコアが0.9441、緑内障検出のAUCが0.9513を達成し、従来のFCNアプローチを上回る性能を示した。

ABSTRACT

Automated segmentation of the optic cup and disk on retinal fundus images is fundamental for the automated detection / analysis of glaucoma. Traditional segmentation approaches depend heavily upon hand-crafted features and a priori knowledge of the user. As such, these methods are difficult to be adapt to the clinical environment. Recently, deep learning methods based on fully convolutional networks (FCNs) have been successful in resolving segmentation problems. However, the reliance on large annotated training data is problematic when dealing with medical images. If a sufficient amount of annotated training data to cover all possible variations is not available, FCNs do not provide accurate segmentation. In addition, FCNs have a large receptive field in the convolutional layers, and hence produce coarse outputs of boundaries. Hence, we propose a new fully automated method that we refer to as a dual-stage fully convolutional networks (DSFCN). Our approach leverages deep residual architectures and FCNs and learns and infers the location of the optic cup and disk in a step-wise manner with fine-grained details. During training, our approach learns from the training data and the estimated results derived from the previous iteration. The ability to learn from the previous iteration optimizes the learning of the optic cup and the disk boundaries. During testing (prediction), DSFCN uses test (input) images and the estimated probability map derived from previous iterations to gradually improve the segmentation accuracy. Our method achieved an average Dice co-efficient of 0.8488 and 0.9441 for optic cup and disk segmentation and an area under curve (AUC) of 0.9513 for glaucoma detection.

研究の動機と目的

• 従来の手作業で特徴を設計する手法が網膜神経締縛部および杯部セグメンテーションにおいて抱える限界を解消すること。
• 標準的な完全畝込みネットワーク（FCN）における限られたアノテート済み医療データと粗い境界予測の課題を克服すること。
• 反復的リファインメントによる予測の改善を通じて、セグメンテーションの正確性を高める完全自動でエンドツーエンドの手法を開発すること。
• より信頼性の高い緑内障検出を実現するため、網膜杯部および神経締縛部の境界明確化を向上させること。
• 網膜神経締縛部および杯部セグメンテーションのベンチマークとしてのREFUGEチャレンジデータセットを用いて、手法の妥当性を検証すること。

提案手法

• 提案されたDSFCNは二段階アーキテクチャを採用し、第二段階で第一段階の予測結果と入力画像を組み合わせ、前回の反復からの推定確率マップを用いて予測をリファインメントする。
• トレーニング中に勾配伝播を改善し、特徴学習を強化するために、深層残差アーキテクチャを採用する。
• トレーニング段階では、真値アノテーションに加えて、モデル自身の過去の予測結果から学習することで、境界の詳細を段階的に改善する。
• 推論段階では、テスト画像と前段階からの確率マップを次段階の入力として用い、セグメンテーション結果を反復的に改善する。
• 空間分解能を維持し、画像全体にわたる画素単位の予測を可能にするために、完全畝込み層を用いる。
• グローバルおよびローカルなセグメンテーションの正確性を最適化するため、マルチスケール損失関数を用いてエンドツーエンドでネットワークを訓練する。

実験結果

リサーチクエスチョン

• RQ1 二段階FCNアーキテクチャは、単一段階FCNと比較して、網膜杯部および神経締縛部セグメンテーションの正確性を向上させることができるか？
• RQ2 前段階からの予測結果を用いた反復的リファインメントは、網膜画像における境界明確化を向上させるか？
• RQ3 限られたアノテート済みトレーニングデータでも、提案手法は多様な網膜画像の変化に一般化して適応できるか？
• RQ4 DSFCNは、REFUGEチャレンジのようなベンチマークデータセットで、どのように性能を発揮するか？
• RQ5 正確なセグメンテーションを通じて、この手法は緑内障検出性能をどの程度向上させるか？

主な発見

• DSFCNは、網膜杯部セグメンテーションにおいて0.8488のDice係数を達成し、真値と強い重複を示した。
• 網膜神経締縛部セグメンテーションにおいて、0.9441のDiceスコアを達成し、高精度な境界検出を示した。
• 緑内障検出のROC曲線下積分（AUC）は0.9513を記録し、優れた診断性能を示した。
• 反復的リファインメント機構により、標準的なFCNベースラインと比較して境界の正確性が顕著に向上した。
• 多様で挑戦的な網膜画像を含むREFUGEチャレンジデータセットでも、本手法は頑健な性能を示した。
• 推論段階で前回の段階からの予測確率マップを活用することで、セグメンテーション品質が段階的に向上した。