[論文レビュー] Evolutionary Neural Architecture Search for Retinal Vessel Segmentation

Zhun Fan, Jiahong Wei+3 more|arXiv (Cornell University)|Jan 18, 2020

Retinal Imaging and Analysis参考文献 41被引用数 17

ひとこと要約

本稿では、網膜血管分離のための最適なエンコーダ・デコーダニューラルアーキテクチャを自動で発見するため、進化的ニューラルアーキテクチャ探索（ENAS）手法を提案する。手動設計の負担を顕著に低減する。本手法は、DRIVE、STARE、CHASE_DB1 データセットで最先端の性能を達成し、パラメータ数を減らすとともに、クロストレーニングにより優れた汎化性能を示す。

ABSTRACT

The accurate retinal vessel segmentation (RVS) is of great significance to assist doctors in the diagnosis of ophthalmology diseases and other systemic diseases. Manually designing a valid neural network architecture for retinal vessel segmentation requires high expertise and a large workload. In order to improve the performance of vessel segmentation and reduce the workload of manually designing neural network, we propose novel approach which applies neural architecture search (NAS) to optimize an encoder-decoder architecture for retinal vessel segmentation. A modified evolutionary algorithm is used to evolve the architectures of encoder-decoder framework with limited computing resources. The evolved model obtained by the proposed approach achieves top performance among all compared methods on the three datasets, namely DRIVE, STARE and CHASE_DB1, but with much fewer parameters. Moreover, the results of cross-training show that the evolved model is with considerable scalability, which indicates a great potential for clinical disease diagnosis.

研究の動機と目的

• 網膜血管分離のためのニューラルネットワークを手動で設計するにあたり、高い専門知識と人的コストがかかる問題を軽減すること。
• 網膜血管分離に特化した最適なエンコーダ・デコーダアーキテクチャの自動探索を実現すること。
• モデルの複雑さとパラメータ数を最小限に抑えながら、分離精度を向上させること。
• 多様な網膜画像データセットにわたる、進化したアーキテクチャのスケーラビリティと汎化性能を評価すること。

提案手法

• エンコーダ・デコーダフレームワーク内での最適なニューラルアーキテクチャ設定を探索するために、変更を加えた進化的アルゴリズムが採用される。
• 探索空間には、エンコーダおよびデコーダにおけるカーネルサイズ、チャネル数、ブロックタイプなどのアーキテクチャ的選択肢が含まれる。
• アーキテクチャの性能は、トレーニングデータのサブセットにおける分離精度に基づく代理のバリデーション指標を用いて評価される。
• 計算リソースが限られているため、進化的プロセスは効率性と実用性を優先して制限される。
• 最終的なアーキテクチャは、フルデータセット上でエンドツーエンドに訓練されてパフォーマンスが評価される。
• 異なる網膜データセットにわたるモデルの汎化性能を評価するために、クロストレーニング実験が実施される。

実験結果

リサーチクエスチョン

• RQ1 進化的NASアプローチは、手動設計のモデルよりも精度が高く、コンactなニューラルアーキテクチャを網膜血管分離の分野で発見できるか？
• RQ2 標準的な網膜血管分離ベンチマークにおいて、進化したアーキテクチャは既存の最先端手法と比較してどのように性能を発揮するか？
• RQ3 進化したアーキテクチャは、異なる網膜画像データセットにわたって優れた汎化性能を示すか。これは、臨床応用のスケーラビリティを示唆するか？
• RQ4 NAS手法は、パフォーマンスを維持または向上させつつ、専門家によるアーキテクチャ設計の必要性をどの程度低減できるか？

主な発見

• 提案されたENAS手法は、DRIVE、STARE、CHASE_DB1 データセットで最先端のパフォーマンスを達成し、比較対象のすべての手法を上回った。
• 進化したモデルは、ベースラインおよび最先端のモデルと比較して、顕著に少ないパラメータ数でこのパフォーマンスを達成した。
• クロストレーニング実験により、強い汎化性能が確認され、多様なデータセットにわたる臨床的デプロイメントの可能性が示された。
• 本手法は、高い分離精度を維持しつつ、手動によるアーキテクチャ設計の必要性を効果的に低減した。