[論文レビュー] Joint Learning of Vessel Segmentation and Artery/Vein Classification with Post-processing

Liangzhi Li, Manisha Verma+3 more|arXiv (Cornell University)|May 27, 2020

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

ひとこと要約

本稿では、クラス不均衡を軽減するために、網膜血管分離と動脈・静脈分類を逐次的に行う2段階のディーブラーニングフレームワーク、SeqNetを提案する。その後、構造的文脈を用いて予測を精緻化する後処理ステップを実施する。この手法は、DRIVEデータセット上で分離のAUCが0.98、分類の正確度が0.92を達成し、最先端の性能を発揮する。

ABSTRACT

Retinal imaging serves as a valuable tool for diagnosis of various diseases. However, reading retinal images is a difficult and time-consuming task even for experienced specialists. The fundamental step towards automated retinal image analysis is vessel segmentation and artery/vein classification, which provide various information on potential disorders. To improve the performance of the existing automated methods for retinal image analysis, we propose a two-step vessel classification. We adopt a UNet-based model, SeqNet, to accurately segment vessels from the background and make prediction on the vessel type. Our model does segmentation and classification sequentially, which alleviates the problem of label distribution bias and facilitates training. To further refine classification results, we post-process them considering the structural information among vessels to propagate highly confident prediction to surrounding vessels. Our experiments show that our method improves AUC to 0.98 for segmentation and the accuracy to 0.92 in classification over DRIVE dataset.

研究の動機と目的

• 背景ピクセルが血管ピクセルに比べて著しく多い網膜画像解析におけるクラス不均衡の課題に対処すること。
• 分離と分類を段階的プロセスに分離することで、動脈・静脈分類の正確度を向上させること。
• 隣接する血管セグメントからの構造的文脈を用いて、誤分類された血管セグメントを是正すること。
• 局所的予測にグローバルな血管構造を組み込むことで、モデルの頑健性と一般化性能を向上させること。
• 限られたアノテート済みデータのもとでも、公的網膜画像データセットで最先端の性能を達成すること。

提案手法

• 分離とその後の分類を逐次的に行うUNetベースのモデル、SeqNetを用いる。これにより、ラベル分布バイアスが低減される。
• 分類ストリームは、分離結果を活用して血管領域に焦点を当て、背景ノイズを回避する。
• 後処理では、太さと距離の指標に基づく構造的類似度を用いて、高信頼度のラベルを隣接する血管セグメントに伝搬する。
• 分離結果を小さなセグメントに分割し、誤り訂正のために信頼度伝搬ルールを繰り返し適用する。
• 類似度指標は、厚さ差（T_ij）と空間的距離（D_ij）の両方を組み合わせており、それぞれに学習関数F_TとF_Dを用いてモデル化される。
• Cup領域では伝搬を制限することで、密集し重複する血管や分離失敗による誤りを回避する。

実験結果

リサーチクエスチョン

• RQ1 分離と動脈・静脈分類の逐次的学習は、統合的学習と比較して性能向上をもたらすか？
• RQ2 グローバルな血管構造を利用した後処理は、局所的分類誤りの是正にどの程度効果的か？
• RQ3 構造的文脈伝搬は、網膜血管タイプ分類における誤分類をどの程度低減するか？
• RQ4 提案手法は、標準的な網膜画像ベンチマークで既存の最先端モデルを上回るか？
• RQ5 データ不足と高いクラス不均衡の下で、この手法はどの程度の性能を発揮するか？

主な発見

• 本手法は、DRIVEデータセットで血管分離のAUCが0.98を達成し、既存手法を上回る。
• DRIVEデータセットでは分類正確度が0.92に達し、特に太さ2px以上の主要血管でF1スコアが顕著に向上した。
• DRIVEデータセットでは、後処理により中心線分類のF1スコアが0.919から0.953に向上した。
• LES-AVデータセットでは、中心線分類の正確度が0.930に達し、ベースのSeqNetモデルと比較して0.014の向上を示した。
• 後処理ステップは、信頼度の高いラベルを構造的に類似した隣接セグメントに伝搬させることで、誤分類誤差を効果的に低減した。
• 本手法は、全体画像、中心線、主要血管領域を含む複数の評価マスクにおいても高い性能を維持した。