[論文レビュー] Multi-scale Neural Networks for Retinal Blood Vessels Segmentation

Boheng Zhang, Shenglei Huang+1 more|arXiv (Cornell University)|Apr 11, 2018

Retinal Imaging and Analysis参考文献 11被引用数 14

ひとこと要約

本論文では、アトラス畳み込みを用いて低レベル特徴量と高レベル特徴量を活用するマルチスケール畳み込みニューラルネットワークを提案し、網膜血管分離を改善する。本手法は、DRIVE、STARE、CHASEデータベースにおいて最先端の性能を達成し、精度、感度、特異度、AUC、テスト速度の面で既存手法を上回り、1枚あたり最大3秒の処理速度を達成する。

ABSTRACT

Existing supervised approaches didn't make use of the low-level features which are actually effective to this task. And another deficiency is that they didn't consider the relation between pixels, which means effective features are not extracted. In this paper, we proposed a novel convolutional neural network which make sufficient use of low-level features together with high-level features and involves atrous convolution to get multi-scale features which should be considered as effective features. Our model is tested on three standard benchmarks - DRIVE, STARE, and CHASE databases. The results presents that our model significantly outperforms existing approaches in terms of accuracy, sensitivity, specificity, the area under the ROC curve and the highest prediction speed. Our work provides evidence of the power of wide and deep neural networks in retinal blood vessels segmentation task which could be applied on other medical images tasks.

研究の動機と目的

• 既存の教師あり網膜血管分離モデルにおける低レベル特徴量の未利用の問題に対処すること。
• アトラス畳み込みによるマルチスケールの文脈を統合することで、特徴表現を向上させること。
• スイープ接続を用いて低レベル特徴量と高レベルの意味的特徴量を統合することで、分離性能を向上させること。
• リアルタイム臨床適用に適した高い精度と高速な推論速度を達成すること。
• 病変、中心血管反射、低コントラストの微小血管などの困難な条件下での頑健性を評価すること。

提案手法

• 過学習を軽減し、エンドツーエンド学習を可能にするために、パッチベースの完全畳み込みニューラルネットワークが使用される。
• 空間解像度を低下させずに、マルチスケールの文脈的特徴量を抽出するためにアトラス畳み込みが適用される。
• クロスレイヤースイープ接続により、低レベル特徴量（例：エッジ、テクスチャ）と高レベルの意味的特徴量が統合される。
• 画像前処理には、改善された自動色補正、グローバルコントラスト正規化、データ拡張が含まれる。
• ネットワークは、アノテート済み網膜画像を用いた教師あり学習により訓練され、バイナリクロスエントロピー損失が使用される。
• 速度-精度のトレードオフを評価するため、モデルの変種（SP-1、SP-32、SP-64）が評価される。

実験結果

リサーチクエスチョン

• RQ1 低レベル特徴量と高レベル特徴量を組み合わせることで、網膜血管分離の性能が向上するか？
• RQ2 アトラス畳み込みによるマルチスケール特徴抽出は、分離精度と頑健性を向上させるか？
• RQ3 提案手法は、精度を犠牲にせずに高速な推論速度を達成できるか？
• RQ4 病変や低コントラスト血管などの困難な条件下で、モデルの性能はいかがなっているか？
• RQ5 スイープ接続とパッチベースの学習の使用は、過学習を軽減し、一般化性能を向上させるか？

主な発見

• DRIVEデータセットでは、受信者リポジトリ特性曲線（AUC）が98.94%に達し、以前の最先端手法を上回った。
• STAREデータセットでは、AUCが98.73%に達し、既存手法を上回った。感度は0.7726、特異度は0.9844であった。
• CHASEデータベースでは、AUCが98.65%に達し、Frazらの97.60%およびLiらの97.45%を上回った。
• テスト速度は1枚あたりわずか3秒で、最良の非教師あり手法よりも7秒速く、最良の教師あり手法よりも87秒も速かった。
• 病変、中心血管反射、低コントラストの微小血管の下でも、本モデルは優れた頑健性を示し、すべてのケースで正確な分類が行われた。
• SP-1、SP-32、SP-64の変種は、ほぼ同一の性能を示し、高速性が精度を損なわないことを確認した。