[論文レビュー] Exploring The Limits Of Data Augmentation For Retinal Vessel Segmentation

Enes Sadi Uysal, Mücahit Bilici+3 more|ArXiv.org|May 19, 2021

Retinal Imaging and Analysis参考文献 22被引用数 12

ひとこと要約

本稿では、特定の画像品質問題（例：細い血管、明るさのばらつき、ノイズ）に焦点を当てた反復的で問題駆動型のデータ拡張戦略を用いることで、DRIVEデータセットで最先端の性能を達成するU-Netベースの網膜血管セグメンテーションモデルを提案する。回転、反転、ガンマ補正、ノイズ注入などの一連の拡張を体系的に行い、AUC 0.9855、精度 0.9712を達成し、構造的変更を最小限に抑えつつ、より複雑なアーキテクチャを上回る性能を発揮した。

ABSTRACT

Retinal Vessel Segmentation is important for the diagnosis of various diseases. The research on retinal vessel segmentation focuses mainly on the improvement of the segmentation model which is usually based on U-Net architecture. In our study, we use the U-Net architecture and we rely on heavy data augmentation in order to achieve better performance. The success of the data augmentation relies on successfully addressing the problem of input images. By analyzing input images and performing the augmentation accordingly we show that the performance of the U-Net model can be increased dramatically. Results are reported using the most widely used retina dataset, DRIVE.

研究の動機と目的

• 構造的複雑さを最小限に抑えつつ、重度で問題特化型のデータ拡張が網膜血管セグメンテーションの性能を顕著に向上させることを検証すること。
• スクリーニング画像の品質問題（例：コントラスト不足、ノイズ、明るさのばらつき）を特定し、それに応じたカスタマイズされた拡張戦略を用いて解消すること。
• 反復的で失敗駆動型のデータ拡張が、標準的またはランダムな拡張プロトコルよりも優れた性能向上をもたらすかどうかを示すこと。
• 標準U-Netアーキテクチャに加えて、広範なデータ拡張を適用するだけでDRIVEベンチマークで最先端の性能を達成すること。

提案手法

• モデルは標準的なU-Netアーキテクチャを採用し、バイナリクロスエントロピー損失とAdam最適化（初期学習率1e-4）を用いる。
• 失敗分析に基づき、前回の反復で得られた結果を踏まえて、段階的に新しい拡張技術を追加するプログレッシブなデータ拡張パイプラインを適用する。
• 拡張法には、回転、反転、クロッピング、ズーム、ガンマ補正、ノイズ注入、エラスティック変形、ぼかし、ドロップアウト、ヒストограм等値化が含まれる。
• 拡張戦略は、細い血管のセグメンテーション、画像明るさの問題、ノイズ耐性の向上に特化しており、視覚的エラー分析に基づいて設計されている。
• 15エポック、ミニバッチサイズ3で、1台のRTX 2080を用いて訓練を実施し、事前学習重みは使用しない。
• 性能評価は、DRIVEデータセットを用いてAUC、精度、平均Diceスコアで行う。

実験結果

リサーチクエスチョン

• RQ1 標準U-Netモデルが、広範かつ的を絞ったデータ拡張を用いることで、網膜血管セグメンテーションにおいて最先端の性能を達成できるか？
• RQ2 スクリーニング画像における具体的な画像品質問題（コントラスト不足、ノイズ、明るさのばらつきなど）が、セグメンテーション性能に与える影響が顕著であり、それらを拡張によって体系的に是正できるか？
• RQ3 反復的で失敗駆動型のデータ拡張戦略が、標準的またはランダムな拡張プロトコルよりも顕著な性能向上をもたらすか？
• RQ4 高度なアーキテクチャに比べて、重度の拡張を施したシンプルなU-Netの性能は、網膜血管セグメンテーションにおいてどのように評価されるか？

主な発見

• 提案手法はDRIVEデータセットでAUC 0.9855、精度 0.9712を達成し、構造がより複雑なモデルを上回った。
• 平均Diceスコアは0.8255を記録し、境界レベルのセグメンテーション性能が優れていることが示された。
• 標準U-Netを用いても、Residual U-Net や DU-Net といった高度なアーキテクチャをAUCおよび精度の観点で上回った。
• GANベースのモデルRV-GANと比較して、AUCは0.0032ポイント以内、精度は0.0078ポイント以内の差に留まり、48時間の学習を要するRV-GANに匹敵する性能を示した。
• 特に顕著な性能向上は、細い血管のセグメンテーション、明るさのばらつき（ガンマ補正による）の是正、ノイズ耐性強化に特化した拡張によって得られた。
• 各新しい拡張技術は、失敗分析に基づいて段階的に導入されており、反復的で問題特化型の拡張が極めて有効であることが実証された。