[論文レビュー] Retinal Vessel Segmentation Based on Conditional Deep Convolutional Generative Adversarial Networks

Yun Jiang, Ning Tan|arXiv (Cornell University)|May 11, 2018

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

ひとこと要約

本稿では、スキップ接続、チャネル半減畳み込み、リーマン学習を用いることで感度と精度を向上させる、リテンタル血管分離のための残差ベースの生成的敵対ネットワーク（cDC-GAN）を提案する。DRIVEおよびSTAREデータセットにおいて、96.08%の精度、82.74%の感度、82.08%のF-measureを達成し、R2U-Netを4.82%上回る感度を示した。

ABSTRACT

The segmentation of retinal vessels is of significance for doctors to diagnose the fundus diseases. However, existing methods have various problems in the segmentation of the retinal vessels, such as insufficient segmentation of retinal vessels, weak anti-noise interference ability, and sensitivity to lesions, etc. Aiming to the shortcomings of existed methods, this paper proposes the use of conditional deep convolutional generative adversarial networks to segment the retinal vessels. We mainly improve the network structure of the generator. The introduction of the residual module at the convolutional layer for residual learning makes the network structure sensitive to changes in the output, as to better adjust the weight of the generator. In order to reduce the number of parameters and calculations, using a small convolution to halve the number of channels in the input signature before using a large convolution kernel. By used skip connection to connect the output of the convolutional layer with the output of the deconvolution layer to avoid low-level information sharing. By verifying the method on the DRIVE and STARE datasets, the segmentation accuracy rate is 96.08% and 97.71%, the sensitivity reaches 82.74% and 85.34% respectively, and the F-measure reaches 82.08% and 85.02% respectively. The sensitivity is 4.82% and 2.4% higher than that of R2U-Net.

研究の動機と目的

• 既存のリテンタル血管分離手法の限界、例えば細い血管への感度が低く、ノイズに弱いという点を是正すること。
• 病変や低コントラストな血管を有する挑戦的なリテンタル画像において、分離性能を向上させること。
• 生成器内の畳み込み演算を最適化することで、モデルの複雑さと計算負荷を低減すること。
• 生成器アーキテクチャにおけるリーマンおよびスキップ接続を通じて、特徴学習と勾配伝播を強化すること。

提案手法

• 生成器は畳み込み層にリーマンモジュールを採用し、リーマン学習を可能にするとともに、出力変化への感度を向上させる。
• 大キーホール畳み込みの前に小さな畳み込み層を設け、入力チャネル数を半減させ、パラメータと計算量を削減する。
• 畳み込み層とデコンボリューション層の出力を接続するスキップ接続により、低レベル特徴を保持し、特徴伝達を改善する。
• 条件付きGANフレームワークでは、実際のリテンタル画像を条件として用い、生成器が正確な血管分離マスクを生成するのを支援する。
• 識別器は、実際の分離マスクと生成されたマスクを区別するように学習させ、予測の現実性と正確性を向上させる。
• 全体のアーキテクチャは、細い血管構造の保持に配慮しながら、敵対的損失を用いてエンドツーエンドで訓練される。

実験結果

リサーチクエスチョン

• RQ1 リーマン学習を有する条件付きGANは、リテンタル血管の分離精度と感度を向上させることができるか？
• RQ2 畳み込み層とデコンボリューション層の間のスキップ接続の使用は、特徴保持と分離品質にどのように影響するか？
• RQ3 大キーホールの前に小さな畳み込みを用いることでチャネル数を半減させることで、計算コストをどれほど低減できるか、性能劣化なしに可能か？
• RQ4 提案された生成器構造は、R2U-Netなどの既存のU-Net変種よりも、ベンチマークデータセットにおける感度とF-measureで優れているか？
• RQ5 本手法は、リテンタルフンダス画像におけるノイズや病変に対してどれほど頑健か？

主な発見

• 提案手法はDRIVEデータセットで96.08%の分離精度を達成し、ベースライン手法を顕著に上回った。
• DRIVEでの感度は82.74%に達し、R2U-Netよりも4.82%高い。これは、細く薄い血管の検出能力が向上していることを示している。
• STAREデータセットでは、97.71%の精度と85.34%の感度を達成し、優れた汎化性能を示した。
• DRIVEではF-measureが82.08%、STAREでは85.02%に達し、精度と再現率のバランスの取れた妥当性を確認した。
• チャネル半減畳み込みを用いることで、パラメータ数と計算負荷を削減し、性能を損なわず効率性を向上させた。
• スキップ接続とリーマンモジュールの使用により、特徴学習と勾配伝播が強化され、より安定的で正確な学習が実現した。