[論文レビュー] Connection Sensitive Attention U-NET for Accurate Retinal Vessel Segmentation

Ruirui Li, Mingming Li+2 more|arXiv (Cornell University)|Mar 13, 2019

Retinal Imaging and Analysis参考文献 25被引用数 36

ひとこと要約

CSA U-Net を導入。接続感知損失とアテンションゲートを組み合わせ、薄い血管と境界を保持する。DRIVE、STARE、HRF で最先端の結果を達成。

ABSTRACT

We develop a connection sensitive attention U-Net(CSAU) for accurate retinal vessel segmentation. This method improves the recent attention U-Net for semantic segmentation with four key improvements: (1) connection sensitive loss that models the structure properties to improve the accuracy of pixel-wise segmentation; (2) attention gate with novel neural network structure and concatenating DOWN-Link to effectively learn better attention weights on fine vessels; (3) integration of connection sensitive loss and attention gate to further improve the accuracy on detailed vessels by additionally concatenating attention weights to features before output; (4) metrics of connection sensitive accuracy to reflect the segmentation performance on boundaries and thin vessels. Our method can effectively improve state-of-the-art vessel segmentation methods that suffer from difficulties in presence of abnormalities, bifurcation and microvascular. This connection sensitive loss tightly integrates with the proposed attention U-Net to accurately (i) segment retinal vessels, and (ii) reserve the connectivity of thin vessels by modeling the structural properties. Our method achieves the leading position on DRIVE, STARE and HRF datasets among the state-of-the-art methods.

研究の動機と目的

• 網膜血管の正確なセグメンテーションを動機付け、薄い部分と境界領域に重点を置く。
• ピクセル単位のセグメンテーションを誘導するために、連結性と局所的構造特性をエンコードする損失関数を開発する。
• スキップ接続における学習を強化するため、注意機構を組み込む。
• 連結感知マスクを用いて境界と薄血管の正確さを強調する新しい評価指標 ACC_cs を提案する。
• 公開網膜血管ベンチマーク(DRIVE, STARE, HRF)での最先端性能を示す。

提案手法

• Attention U-Net に類似した4ブロックのエンコーダ-デコーダ型 U-Net を、強化されたスキップ接続により提案する。
• 局所密度 C_i から導出される連結性係数 θ1, θ2 で画素-wise クロスエントロピーを重み付けする connection sensitive loss L_cs を導入する。
• 局所の 5x5 密度推定とモンテカルロサンプリングを用いてパッチ内の連結確率をモデル化し、L_cs で θ1, θ2 を導く。
• UP-Link アーキテクチャを用いたアテンションゲートを組み込み、精巧なゲーティング係数を計算し、出力前の特徴へ最終的なアテンション重みを連結する。
• AdamW を用いたエンドツーエンドのトレーニング、データ拡張、複数データセット検証、動的学習率戦略を採用する。
• 連結性を考慮したマスクを用いて境界と薄血管の正確さを強調する新しいACC_cs 指標を導入する。

実験結果

リサーチクエスチョン

• RQ1 連結性を意識した損失は、標準的なピクセル単位損失を超えて薄い網膜血管と境界の保存を改善できるか。
• RQ2 薄血管の delineation を改善するため、連結性ガイダンスを組み込んだ新しいアテンションゲートは分岐点や交差部でより効果的か。
• RQ3 CSAU は DRIVE、STARE、HRF の既知のベンチマークで、最先端手法と比較してどの程度性能を発揮するか。
• RQ4 提案された連結感知精度 ACC_cs は、境界と薄血管セグメンテーション性能の評価に有効か。
• RQ5 CS 損失とアテンションゲートの相対的な寄与は全体性能にどう影響するか。

主な発見

Methods	DRIVE ROC AUC	DRIVE PR AUC	DRIVE F1-score	DRIVE Sensitivity	DRIVE Accuracy	DRIVE ACC_cs
K-Boost	0.9307	0.8464	0.7797	0.7563	0.9456	0.6739
HED	0.9696	0.8773	0.7938	0.7943	0.9475	0.7016
Wavelets	0.9436	0.8149	0.7601	0.7628	0.9387	0.6839
N4-Fields	0.9686	0.8851	0.8021	0.7994	0.9498	0.7178
DRIU	0.9793	0.9064	0.8210	0.8261	0.9541	0.7470
CRFs	–	–	0.7799	0.7829	0.9438	0.6785
VGAN	0.9803	0.9142	0.8277	0.8300	0.9560	0.7537
CSAU	0.9807	0.9157	0.8294	0.8349	0.9563	0.7751

• CSAU は DRIVE、STARE、HRF のデータセットで報告された手法の中で、F1 スコア、ROC AUC、感度の面で首位を獲得している。
• DRIVE では CSAU は F1 スコアを最大で 0.? 増加させ、DRI U より ACC_cs が高く、境界と薄血管のセグメンテーションが改善されている。
• STARE では CSAU は ROC AUC および ACC_cs の顕著な向上を含む最高の指標を達成。
• HRF では CSAU は最高の ROC AUC を提供し、報告済み手法と比較して PR AUC と F1 スコアも競争力を維持。
• 新しい連結感知精度 ACC_cs は境界と薄血管の改善を反映し、セグメンテーション出力の定性的利点とも一致する。
• アブレーション研究では、CS 損失とアテンション機構の両方が性能向上に寄与し、両方を組み合わせると最良の結果となる。