[論文レビュー] Retinal Vessel Segmentation based on Fully Convolutional Networks

Zhengyuan Liu|arXiv (Cornell University)|Nov 22, 2019

Retinal Imaging and Analysis参考文献 19被引用数 8

ひとこと要約

本稿では、U-NetおよびLadderNetアーキテクチャを用いたパッチベースの完全畳み込みネットワーク手法を提案し、パッチ回転によるデータ拡張を実施することで、網膜血管分離を実現する。本手法はDRIVE、STARE、CHASE_DB1データセットにおいて最先端の性能を達成し、F1スコア、正答率、AUCにおいて最近の手法を上回り、CHASE_DB1ではLadderNetを用いて最高のAUC 0.9805を記録した。

ABSTRACT

The morphological attributes of retinal vessels, such as length, width, tortuosity and branching pattern and angles, play an important role in diagnosis, screening, treatment, and evaluation of various cardiovascular and ophthalmologic diseases such as diabetes, hypertension and arteriosclerosis. The crucial step before extracting these morphological characteristics of retinal vessels from retinal fundus images is vessel segmentation. In this work, we propose a method for retinal vessel segmentation based on fully convolutional networks. Thousands of patches are extracted from each retinal image and then fed into the network, and data argumentation is applied by rotating extracted patches. Two architectures of fully convolutional networks, U-Net and LadderNet, are used for vessel segmentation. The performance of our method is evaluated on three public datasets: DRIVE, STARE, and CHASE\_DB1. Experimental results of our method show superior performance compared to recent state-of-the-art methods.

研究の動機と目的

• 心血管疾患および眼科疾患の診断を支援するため、正確で自動化された網膜血管分離手法の開発を目的とする。
• 特に細いまたはねじれた血管に対して時間がかかりやすく誤差を生じやすい手動分離の限界を克服することを目的とする。
• 有効なデータ拡張を活用した完全畳み込みネットワークを用いることで、ディープラーニングによる分離性能の向上を目的とする。
• 複数の公的網膜画像データセットを用いて本手法の評価を実施し、頑健性および一般化性能を確認することを目的とする。

提案手法

• 網膜フンダス画像は事前処理され、小さなパッチに分割され、ネットワークへの入力として使用される。これにより、高解像度画像における効率的な学習および推論が可能になる。
• 抽出されたパッチを回転させることでデータ拡張が実施され、学習の多様性が向上し、モデルの一般化性能が向上する。
• スコアの保持を目的としたスキップ接続を備えた、U-NetおよびLadderNetの2つの完全畳み込みネットワークアーキテクチャが、エンドツーエンドの血管分離に用いられる。
• ネットワークは各パッチごとに確率マップを出力し、閾値0.5で二値分離マスクに変換される。
• 重複領域を平均化することで境界アーチファクトを低減するように、パッチが再構成され、フル画像の分離マスクが生成される。
• F1スコア、感度（Sn）、特異度（Sp）、正答率（Acc）、受信者リポーチ特性曲線下積（AUC）といった標準指標を用いて評価が行われる。

実験結果

リサーチクエスチョン

• RQ1 回転によるデータ拡張を施したパッチベースの完全畳み込みネットワークは、最先端の手法と比較して優れた網膜血管分離性能を達成できるか？
• RQ2 U-NetおよびLadderNetアーキテクチャは、多様なデータセットにおける細いおよび接続された網膜血管をどのように分離するか？
• RQ3 パッチ回転によるデータ拡張は、限られた学習データにおいてモデルの頑健性および一般化性能をどの程度向上させるか？
• RQ4 本手法は、解像度の異なる画像、病理の頻度が異なるデータセット、視野制約があるデータセットにおいて、どのように性能を発揮するか？

主な発見

• DRIVEデータセットでは、U-Netを用いた場合のF1スコアが0.8169、LadderNetを用いた場合が0.8219であり、先行する最先端手法を上回った。
• STAREデータセットでは、LadderNetバージョンがAUC 0.9805を達成し、表3に示されたすべての手法の中で最高となった。
• CHASE_DB1データセットでは、LadderNetモデルがAUC 0.9839を達成し、比較対象のすべての手法を上回った。
• U-NetバージョンはDRIVEでAUC 0.9794、STAREでAUC 0.9846を記録し、複数のデータセットで優れた性能を示した。
• すべてのデータセットで特異度（Sp > 0.98）および感度（Sn > 0.77）が向上し、血管ピクセルおよびバックグラウンドピクセルの両方を信頼性高く検出できた。
• 強力な性能を示したが、細いおよび断続的な血管は依然として課題であり、一部のケースで断片化や接続性の欠如が見られた。