[論文レビュー] RV-GAN : Retinal Vessel Segmentation from Fundus Images using Multi-scale Generative Adversarial Networks.

Sharif Amit Kamran, Khondker Fariha Hossain+4 more|arXiv (Cornell University)|Jan 3, 2021

Retinal Imaging and Analysis参考文献 25被引用数 8

ひとこと要約

RV-GANは、2つの生成器と2つのマルチスケール自己符号化器ベースの識別器を備えたマルチスケール生成的対抗ネットワークを提案し、正確な網膜血管分離を実現する。再構成損失と重み付き特徴マッチング損失を組み合わせることで、AUC 0.9887（DRIVE）、0.9814（CHASE-DB1）、0.9887（STARE）という最先端の性能を達成し、AUC、Mean-IOU、SSIMの観点で先行手法を上回った。

ABSTRACT

Retinal vessel segmentation contributes significantly to the domain of retinal image analysis for the diagnosis of vision-threatening diseases. With existing techniques the generated segmentation result deteriorates when thresholded with higher confidence value. To alleviate from this, we propose RVGAN, a new multi-scale generative architecture for accurate retinal vessel segmentation. Our architecture uses two generators and two multi-scale autoencoder based discriminators, for better microvessel localization and segmentation. By combining reconstruction and weighted feature matching loss, our adversarial training scheme generates highly accurate pixel-wise segmentation of retinal vessels with threshold >= 0.5. The architecture achieves AUC of 0.9887, 0.9814, and 0.9887 on three publicly available datasets, namely DRIVE, CHASE-DB1, and STARE, respectively. Additionally, RV-GAN outperforms other architectures in two additional relevant metrics, Mean-IOU and SSIM.

研究の動機と目的

• 網膜血管分離において、高信頼度閾値を用いる際の分離精度の低下を是正すること。
• 網膜後眼部画像における微小血管の局在化とピクセル単位の精度を向上させること。
• さまざまな血管スケールにわたる特徴表現を強化するマルチスケール生成アーキテクチャを開発すること。
• 分離精度と構造的類似度指標の両面で、既存手法を上回ること。
• 再構成損失と重み付き特徴マッチング損失を統合し、より安定した対抗学習と出力忠実度を向上させること。

提案手法

• アーキテクチャは、より詳細な血管構造を実現するため、2つの生成器を用いてマルチスケールの分離予測を生成する。
• 2つのマルチスケール自己符号化器ベースの識別器を用い、画像の局所的・グローバルなリアルさと構造的一致性を評価する。
• 再構成損失と重み付き特徴マッチング損失を組み合わせたハイブリッド損失関数を採用し、ピクセル単位の精度と特徴マッピングの整合性を向上させる。
• 対抗学習スキームを最適化し、閾値 ≥ 0.5 で高信頼度の分離出力を生成する。
• 3つの公開データセット（DRIVE、CHASE-DB1、STARE）上でエンドツーエンドにモデルを訓練する。
• 微細な血管構造の強調と誤検出の低減を目的に、特徴マッチング損失に重みを付与する。

実験結果

リサーチクエスチョン

• RQ1 マルチスケールGANアーキテクチャは、高信頼度閾値における網膜血管分離の精度を向上させ得るか？
• RQ2 再構成損失と重み付き特徴マッチング損失の統合は、網膜画像における分離忠実度にどのように影響するか？
• RQ3 マルチスケール識別器は、単一スケールの対応物と比較して、微小血管の局在化にどの程度寄与するか？
• RQ4 提案されたアーキテクチャは、AUCと構造的類似度指標の両面で、既存の最先端手法を上回るか？
• RQ5 本モデルは、撮影条件が異なる多様な網膜後眼部画像データセットに対して、効果的に一般化可能か？

主な発見

• RV-GANはDRIVEデータセットでAUC 0.9887を達成し、優れた分類性能を示した。
• CHASE-DB1データセットではAUC 0.9814を記録し、微小血管領域への強い一般化能力を示した。
• STAREデータセットではAUC 0.9887を記録し、多様な網膜解剖構造にわたる高い精度を確認した。
• RV-GANはMean-IOUにおいて既存のアーキテクチャを上回り、予測された血管領域と正解領域の重複度が向上した。
• SSIM値も高い水準を記録し、分離出力における構造的保存性が優れていることを示した。
• 再構成損失と重み付き特徴マッチング損失の組み合わせにより、閾値 ≥ 0.5 におけるピクセル単位の分離精度が顕著に向上した。