[論文レビュー] IterNet: Retinal Image Segmentation Utilizing Structural Redundancy in Vessel Networks

Liangzhi Li, Manisha Verma+3 more|arXiv (Cornell University)|Dec 12, 2019

Retinal Imaging and AnalysisMedicine参考文献 3被引用数 22

ひとこと要約

IterNetは、血管ネットワーク内の構造的再冗長性を活用して、ミニ-UNetを繰り返し用いてセグメンテーション出力を改善する、新しい反復的精錬フレームワークを提案する。事前学習を用いずに10〜20枚のラベル付き画像のみで、DRIVE、CHASE-DB1、STAREデータセット上でそれぞれ0.9816、0.9851、0.9881のSOTA AUCを達成した。

ABSTRACT

Retinal vessel segmentation is of great interest for diagnosis of retinal vascular diseases. To further improve the performance of vessel segmentation, we propose IterNet, a new model based on UNet, with the ability to find obscured details of the vessel from the segmented vessel image itself, rather than the raw input image. IterNet consists of multiple iterations of a mini-UNet, which can be 4$ imes$ deeper than the common UNet. IterNet also adopts the weight-sharing and skip-connection features to facilitate training; therefore, even with such a large architecture, IterNet can still learn from merely 10$\sim$20 labeled images, without pre-training or any prior knowledge. IterNet achieves AUCs of 0.9816, 0.9851, and 0.9881 on three mainstream datasets, namely DRIVE, CHASE-DB1, and STARE, respectively, which currently are the best scores in the literature. The source code is available.

研究の動機と目的

• 網膜血管のセグメンテーションの課題に取り組む。特に、視神経乳頭などのアーチファクトによって血管境界が曇る低コントラストでノイズの多い画像において。
• 通常10〜20枚程度のラベル付き画像しか入手できない網膜画像セグメンテーションの限界を克服し、少数のサンプルからの有効な学習を可能にする。
• 構造的再冗長性（すなわち、血管が連続的かつ接続されたネットワークを形成すると予想されること）を活用して、セグメンテーションの接続性を向上させ、誤検出を減らす。
• 直接的に生画像を最終出力にマップするのではなく、自身の予測を反復的に精錬する深層学習モデルを開発する。
• 事前学習や事前知識に依存せず、自己精錬と反復間での重み共有にのみ依存して高い性能を達成する。

提案手法

• IterNetはベースのUNetに加え、N−1個の反復的精錬モジュール（ミニ-UNet）を備えており、それらが前の段階の出力を段階的に精錬する。
• 各精錬モジュールは、直前のモジュールの2番目に最後の層の出力を入力として受け取り、段階的な誤差補正を実現する。
• ベースのUNetと各ミニ-UNetの間でスキップ接続を用いることで、特徴の整合性を保持し、学習中の勾配の流れを改善する。
• すべてのミニ-UNetに重み共有を適用することでパラメータ数を削減し、ラベル付きデータが極めて少ない状況でも効果的な学習を可能にする。
• 各精錬段階に対して別々の損失関数を用いることで、全反復プロセスのエンドツーエンド最適化を可能にする。
• 推論では、精度と速度のバランスを取るために、可変ストライドを用いた画像パッチのクロッピングを実施し、重複するパッチのスターチングにより結果を統合する。

実験結果

リサーチクエスチョン

• RQ1 訓練データが極めて限られた状況下で、血管セグメンテーションマップの反復的精錬が性能向上に寄与するか。
• RQ2 生画像特徴に依存せずに、血管ネットワーク内の構造的再冗長性をどの程度活用して誤検出を是正できるか。
• RQ3 共有重みとスキップ接続を備えた段階的精錬アーキテクチャは、ラベルが少ない状況下で、標準的なUNetベースのモデルを上回る性能を発揮するか。
• RQ4 精錬の反復回数とパッチ処理戦略が、セグメンテーションの正確性と推論速度にどのように影響するか。
• RQ5 初期予測が不完全な状態でのみ学習されたモデルでも、ベンチマークデータセットでSOTA性能を達成できるか。

主な発見

• IterNetは、DRIVEで0.9816、CHASE-DB1で0.9851、STAREで0.9881のAUCスコアを達成し、文献に報告された最高値である。
• 接続性スコアがDRIVEで0.9193、CHASE-DB1で0.9091、STAREで0.8977と高く、UNet、DenseNet、DUNetを上回った。
• ベースのUNetとミニ-UNetの間にスキップ接続を設けない場合でも、IterNetは強固な性能を維持しており、アーキテクチャの変化に対して頑健であることが示された。
• 精錬段階でミニ-UNetの代わりにフルサイズのUNetを使用した場合、性能が低下した。これは、軽量で共有可能なモジュールの利点を裏付けた。
• ストライド3（密なパッチ処理）では1枚あたり約73.5秒、ストライド8では約22.2秒と推論時間が短縮され、正確性と速度のトレードオフが明確に示された。
• 可視化結果から、IterNetは全データセットで最も少ない数の独立した血管セグメントを生成しており、優れた接続性と少ない誤分離を示している。