[論文レビュー] Residual Spatial Attention Network for Retinal Vessel Segmentation

Changlu Guo, Márton Szemenyei+3 more|arXiv (Cornell University)|Sep 18, 2020

Retinal Imaging and Analysis参考文献 13被引用数 6

ひとこと要約

本論文では、特徴表現の向上と過学習の低減を目的として、ドロップブロック正則化と空間アテンションを変更された残差ブロックに統合した、網膜血管分離のための残差空間アテンションネットワーク（RSAN）を提案する。RSANはDRIVEおよびCHASE DB1データセットで最先端の性能を達成し、それぞれAUCスコアが0.9855および0.9894を記録し、先行手法を上回った。

ABSTRACT

Reliable segmentation of retinal vessels can be employed as a way of monitoring and diagnosing certain diseases, such as diabetes and hypertension, as they affect the retinal vascular structure. In this work, we propose the Residual Spatial Attention Network (RSAN) for retinal vessel segmentation. RSAN employs a modified residual block structure that integrates DropBlock, which can not only be utilized to construct deep networks to extract more complex vascular features, but can also effectively alleviate the overfitting. Moreover, in order to further improve the representation capability of the network, based on this modified residual block, we introduce the spatial attention (SA) and propose the Residual Spatial Attention Block (RSAB) to build RSAN. We adopt the public DRIVE and CHASE DB1 color fundus image datasets to evaluate the proposed RSAN. Experiments show that the modified residual structure and the spatial attention are effective in this work, and our proposed RSAN achieves the state-of-the-art performance.

研究の動機と目的

• 糖尿病および高血圧の早期発見のため、自動網膜血管分離の精度を向上させること。
• スクリーニング画像における低コントラストおよび細い血管の課題に対処し、特徴表現を強化すること。
• ドロップブロックのような正則化技術を用いて、深層ネットワークにおける過学習を低減すること。
• 空間アテンション機構を用いて特徴間の空間的関係をモデル化することで、特徴学習を向上させること。
• 公的網膜血管分離ベンチマークで最先端の性能を達成すること。

提案手法

• 本手法は、一般化性能の向上と過学習の防止を目的として、事前活性化された残差ブロックにドロップブロック正則化を統合することで、変更された残差ブロックを導入する。
• 新たに提案された残差空間アテンションブロック（RSAB）は、変更された残差ブロックと空間アテンションモジュールを組み合わせ、関連する特徴を強調し、ノイズを抑制する。
• 空間アテンション機構は、空間的重要性に基づいて特徴マップに動的重みを付与するアテンションマップを計算し、表現能力を向上させる。
• U-Netアーキテクチャは、スキップ接続を介して粗いおよび細かい特徴を保持するために、標準の畳み込みブロックをRSABに置き換えることで変更される。
• ネットワークは、クラス不均衡を扱うためにファーカス損失を用いたバイナリクロスエントロピー損失を用いて、DRIVEおよびCHASE DB1データセット上でエンドツーエンドで訓練される。
• 標準指標を用いてモデルを評価する：感度（SEN）、特異度（SPE）、F1スコア（F1）、正解率（ACC）、AUC。

実験結果

リサーチクエスチョン

• RQ1 ドロップブロックを残差ブロックに統合することで、深層網膜血管分離ネットワークにおける一般化性能の向上と過学習の低減が達成できるか？
• RQ2 空間アテンション機構の追加により、細くコントラストの低い網膜血管を区別する能力がネットワークに向上するか？
• RQ3 提案された残差空間アテンションブロック（RSAB）は、標準の残差ブロックと比較して、特徴表現および分離精度において優れているか？
• RQ4 完全なRSANモデルは、ベンチマーク網膜血管分離データセットで最先端の性能を達成できるか？
• RQ5 空間アテンション機構は、微細な血管構造へのネットワークの感受性をどの程度向上させるか？

主な発見

• RSANはDRIVEデータセットで最高のAUC 0.9855を達成し、前回の最良手法より0.34パーセンテージポイント高い。
• CHASE DB1データセットでは、RSANがAUC 0.9894を達成し、前回の最先端手法より0.34パーセンテージポイント高い。
• DRIVEではSENが0.8149、CHASE DB1では0.8486に達し、細く薄い血管の検出能力が優れていることが示された。
• DRIVEではACCが0.9691、CHASE DB1では0.9751を記録し、それぞれ前回の最良手法より1.13および0.90パーセンテージポイント向上した。
• 空間アテンションの導入により、DRIVEではF1スコアが1.12%、CHASE DB1では1.21%向上した（バックボーン＋ドロップブロックベースラインと比較）。
• アブレーションスタディにより、ドロップブロックおよび空間アテンションの両方が性能向上に顕著に寄与していることが確認され、完全なRSANモデルがすべてのアブレーションバリアントを上回った。