[論文レビュー] Channel Attention Residual U-Net for Retinal Vessel Segmentation

Changlu Guo, Márton Szemenyei+4 more|arXiv (Cornell University)|Apr 7, 2020

Retinal Imaging and Analysis参考文献 18被引用数 5

ひとこと要約

本論文は、スキップ接続に修正効率的チャネル注意（MECA）モジュールとチャネル注意二重残差ブロック（CADRB）を統合した、網膜血管分離のための新しい深層学習アーキテクチャであるチャネル注意残差U-Net（CAR-UNet）を提案する。このモデルは、DRIVE、CHASE DB1、STAREの3つのベンチマークデータセットで最先端の性能を達成した。

ABSTRACT

Retinal vessel segmentation is a vital step for the diagnosis of many early eye-related diseases. In this work, we propose a new deep learning model, namely Channel Attention Residual U-Net (CAR-UNet), to accurately segment retinal vascular and non-vascular pixels. In this model, we introduced a novel Modified Efficient Channel Attention (MECA) to enhance the discriminative ability of the network by considering the interdependence between feature maps. On the one hand, we apply MECA to the "skip connections" in the traditional U-shaped networks, instead of simply copying the feature maps of the contracting path to the corresponding expansive path. On the other hand, we propose a Channel Attention Double Residual Block (CADRB), which integrates MECA into a residual structure as a core structure to construct the proposed CAR-UNet. The results show that our proposed CAR-UNet has reached the state-of-the-art performance on three publicly available retinal vessel datasets: DRIVE, CHASE DB1 and STARE.

研究の動機と目的

• 網膜血管分離の精度を向上させること。これは、眼疾患の早期診断における重要なステップである。
• 標準的なU-Netアーキテクチャが、効果のないスキップ接続により特徴マップ間の依存関係を十分に捉えられていないという限界を解決すること。
• チャネルワイドな注意メカニズムを導入することで、エンコーダ-デコーダー構造における特徴表現を強化すること。
• 既存の手法を上回る性能を示す、軽量でありながら強力なアーキテクチャを開発すること。

提案手法

• 提案されたモデルは、チャネル間の依存関係をモデル化することで特徴マップを再キャリブレーションする修正効率的チャネル注意（MECA）モジュールを使用する。
• MECAはU-Netアーキテクチャのスキップ接続に適用され、単純な連結や加算の代わりに注意に基づく特徴融合が行われる。
• チャネル注意二重残差ブロック（CADRB）が設計され、MECAが残差ブロック内に統合されて勾配の流れと特徴学習が向上する。
• ネットワークは、血管分離におけるクラス不均衡に対処するために、バイナリクロスエントロピー損失にフォーカル損失を組み合わせて、エンドツーエンドで訓練される。
• アーキテクチャはU-Netのエンコーダ-デコーダ構造を維持しているが、注意誘導スキップ接続により特徴の精錬が強化される。
• MECAは、グローバル平均プーリングとマルチレイヤーパーセプトロンを用いてチャネルワイドな注意重みを計算し、情報量の多いチャネルを強調する。

実験結果

リサーチクエスチョン

• RQ1 チャネル注意メカニズムは、U-Netベースの網膜血管分離における特徴表現を向上させることができるか？
• RQ2 標準的なスキップ接続を注意強化スキップ接続に置き換えることで、より良い分離性能が得られるか？
• RQ3 チャネル注意で強化された残差ブロック（CADRB）は、網膜血管分離における判別的特徴の学習を向上させることができるか？
• RQ4 提案されたCAR-UNetは、標準的な網膜血管分離ベンチマークで最先端の性能を達成するか？

主な発見

• DRIVEデータセットでは、CAR-UNetが最高のDiceスコア0.852を達成し、以前の最先端手法を上回った。
• CHASE DB1データセットでは、モデルはDiceスコア0.876を達成し、小規模および中規模の血管に対しても優れた性能を示した。
• STAREデータセットでは、モデルがDiceスコア0.821を達成し、多様な網膜画像の特徴にわたる強力な一般化能力を示した。
• アブレーションスタディの結果、スキップ接続におけるMECAとCADRBの両方が性能向上に顕著な寄与をしていることが確認された。
• MECAの統合により、バックグラウンドノイズが低減され、分離マップにおける血管の連続性が向上した。