[論文レビュー] Frangi-Net: A Neural Network Approach to Vessel Segmentation

Weilin Fu, Katharina Breininger+4 more|arXiv (Cornell University)|Nov 9, 2017

Retinal Imaging and Analysis参考文献 6被引用数 14

ひとこと要約

本論文では、従来のFrangi血管性フィルタの微分可能ニューラルネットワーク実装としてFrangi-Netを提案し、元のフィルタの数学的定式化を保ちつつエンドツーエンド学習を可能にした。Frangiフィルタを事前重み付きネットワークとして再解釈し、網膜画像で微調整することで、特に健常および病変を有する網膜画像における小・中血管の検出において、元のフィルタ比でF1スコアが最大17%向上した。

ABSTRACT

In this paper, we reformulate the conventional 2-D Frangi vesselness measure into a pre-weighted neural network ("Frangi-Net"), and illustrate that the Frangi-Net is equivalent to the original Frangi filter. Furthermore, we show that, as a neural network, Frangi-Net is trainable. We evaluate the proposed method on a set of 45 high resolution fundus images. After fine-tuning, we observe both qualitative and quantitative improvements in the segmentation quality compared to the original Frangi measure, with an increase up to $17\%$ in F1 score.

研究の動機と目的

• 網膜血管セグメンテーションのため、Frangi血管性フィルタからの事前知識を微分可能ニューラルネットワークフレームワークに統合すること。
• 固定パラメータと画像固有の変動に適応できないという従来のFrangiフィルタの限界を克服すること。
• 血管性計算のデータ駆動型微調整を可能にすることで、特に小・中血管のセグメンテーション性能を向上させること。
• 実際の網膜画像データで学習されたネットワークベースの古典的画像処理フィルタの再定式化が、元の手法を上回ることを示すこと。

提案手法

• ヘッセ行列と固有値解析を用いて、2次元Frangi血管性フィルタを事前重み付きニューラルネットワーク（Frangi-Net）として再定式化する。
• 3スケールの解像度階層（元画像、2倍、4倍ダウンサンプリングされたパッチ）を採用し、それぞれに2次ガウス微分で初期化された2次元畳み込み層を適用する。
• 元のFrangi式に基づく微分可能演算を用いて固有値と血管性応答を計算し、バックプロパゲーションに適した微分可能性を確保する。
• ネットワークパラメータの最適化に、Dice係数損失と学習率1e-6、モーメンタム0.5の確率的勾配降下法を用いる。
• バッチサイズ250、全データセットで3000ステップの学習を実施するパッチベースのアプローチにより、高解像度網膜画像を用いてエンドツーエンドでネットワークを学習する。
• シグモイド活性化関数を用いて原始的な血管性スコアを確率マップに変換し、バイナリセグメンテーション出力を生成する。

実験結果

リサーチクエスチョン

• RQ1 古典的Frangi血管性フィルタを効果的に微分可能なニューラルネットワークに再定式化できるか？データ駆動型最適化が可能か？
• RQ2 実際の網膜画像でFrangi-Netを微調整することで、元の固定パラメータフィルタと比較して血管セグメンテーション品質に顕著な向上が得られるか？
• RQ3 糖尿病網膜症や緑内障などの異なる網膜疾患において、Frangi-Netの性能は健常例と比較してどのように変化するか？
• RQ4 小・中サイズの血管の検出が、従来のフィルタがしばしば見逃す課題に対して、ネットワークがどの程度向上をもたらすか？

主な発見

• 微調整後、病変を有する網膜画像においてFrangi-Netは元のFrangiフィルタ比でF1スコアが17%相対的に向上した。
• 健常網膜画像のF1スコアは学習後、0.669から0.712に上昇し、質的および定量的に顕著な改善が確認された。
• 訓練後、視覚的に確認されたセグメンテーション比較において、従来見逃されていた中・小血管が正しく検出された。
• すべてのデータセットで、正解率、適合率、再現率の評価指標が向上し、病変例で最も顕著な向上が観察された。
• Dice係数損失の使用により、境界の整合性が向上し、標準的な交差エントロピー損失と比較して誤検出が減少した。
• ネットワークは元のFrangiフィルタの数学的同等性を維持しながら、学習可能なパラメータを導入でき、古典的・微分可能アーキテクチャのハイブリッド化の可能性を示した。