[論文レビュー] SA-UNet: Spatial Attention U-Net for Retinal Vessel Segmentation

Changlu Guo, Márton Szemenyei+4 more|arXiv (Cornell University)|Apr 7, 2020

Retinal Imaging and Analysis参考文献 16被引用数 37

ひとこと要約

SA-UNetは、構造化ドロップアウトを備えた軽量な空間注意U-Netを網膜血管のセグメンテーション改善のために導入し、DRIVEとCHASE_DB1でデータ効率の訓練を用いて最先端の結果を達成します。

ABSTRACT

The precise segmentation of retinal blood vessels is of great significance for early diagnosis of eye-related diseases such as diabetes and hypertension. In this work, we propose a lightweight network named Spatial Attention U-Net (SA-UNet) that does not require thousands of annotated training samples and can be utilized in a data augmentation manner to use the available annotated samples more efficiently. SA-UNet introduces a spatial attention module which infers the attention map along the spatial dimension, and multiplies the attention map by the input feature map for adaptive feature refinement. In addition, the proposed network employs structured dropout convolutional blocks instead of the original convolutional blocks of U-Net to prevent the network from overfitting. We evaluate SA-UNet based on two benchmark retinal datasets: the Vascular Extraction (DRIVE) dataset and the Child Heart and Health Study (CHASE_DB1) dataset. The results show that the proposed SA-UNet achieves state-of-the-art performance on both datasets.The implementation and the trained networks are available on Github1.

研究の動機と目的

• 眼疾患の早期診断のための正確な網膜血管セグメンテーションを動機づける。
• 限られた注釈データでうまく機能する軽量ネットワーク（SA-UNet）を提案する。
• 適応型特徴精錬のための空間注意機構を導入する。
• 過学習を抑制するために構造化ドロップアウトブロックを使用する。
• DRIVEおよびCHASE_DB1データセットで評価し、コードアクセスを提供する。

提案手法

• 空間次元に沿って注意マップを推定し、それを入力特徴マップと乗算して精錬する空間注意モジュールを導入する。
• 標準の畳込みブロックを構造化ドロップアウト畳込みブロックに置換して過学習を抑制する。
• 限られた注釈サンプルを効率的に活用するためデータ拡張を活用する。
• 網膜血管セグメンテーションに適した軽量アーキテクチャとしてSA-UNetを設計する。
• DRIVEとCHASE_DB1で評価し、既存手法と性能をベンチマークする。
• 実装と学習済みネットワークをGitHubで提供する。

実験結果

リサーチクエスチョン

• RQ1 空間注意機構は網膜血管における特徴精錬とセグメンテーション精度にどのように影響するか？
• RQ2 軽量でデータ効率の高いネットワークは、限られた注釈サンプルで最先端の結果を達成できるか？
• RQ3 構造化ドロップアウトは網膜血管セグメンテーションの過学習を防ぐのに役立つか？
• RQ4 小規模データセットでのデータ拡張戦略が性能に与える影響は何か？

主な発見

• SA-UNetはDRIVEおよびCHASE_DB1データセットで最先端の性能を達成する。
• 空間注意モジュールは空間注意マップで入力特徴マップに重みを付けて適応的な精錬を実現する。
• 構造化ドロップアウト畳込みブロックはネットワークの過学習を緩和するのに役立つ。
• このアプローチは軽量で、限られた注釈データで動作するよう設計され、効率を高めるためにデータ拡張を使用する。
• 実装と学習済みネットワークはGitHubで利用可能。