[論文レビュー] Vesselness via Multiple Scale Orientation Scores

Julius Hannink, Remco Duits+1 more|arXiv (Cornell University)|Feb 20, 2014

Retinal Imaging and Analysis参考文献 12被引用数 7

ひとこと要約

本稿では、回転、並進、スケーリングを含む $SIM(2)$ 群における可逆的スケール・オントロペーションスコアに基づくマルチスケール血管性フィルタを提案する。この手法は、方向性空間における画像構造を分析することで、交差や分岐部における血管を分離可能にし、古典的なマルチスケール Frangi フィルターよりも優れた性能を示す。HRF網膜画像データセットにおいて、緑内障症例で感度が 0.641、正確性が 0.960 に達し、しきい値の変動に対してより高いロバスト性を示した。

ABSTRACT

The multi-scale Frangi vesselness filter is an established tool in (retinal) vascular imaging. However, it cannot cope with crossings or bifurcations, since it only looks for elongated structures. Therefore, we disentangle crossing structures in the image via (multiple scale) invertible orientation scores. The described vesselness filter via scale-orientation scores performs considerably better at enhancing vessels throughout crossings and bifurcations than the Frangi version. Both methods are evaluated on a public dataset. Performance is measured by comparing ground truth data to the segmentation results obtained by basic thresholding and morphological component analysis of the filtered images.

研究の動機と目的

• マルチスケール Frangi 血管性フィルタが細長い構造の検出に依存するため、交差部および分岐部における血管強調に限界があることに対処すること。
• $SE(2)$ および $SIM(2)$ 群における可逆的方向スコアを活用することで、複雑な領域における血管構造を保持する血管性フィルタリング手法を開発すること。
• フィルタリングプロセスをスケール・方向性ドメインに変換することで、重なった血管構造のより良い分離を可能にし、網膜血管分離性能を向上させること。
• 公的 HRF 視覚膜画像データセットを用いて、感度、特異度、正確性を Frangi フィルターや既存の分離手法と比較して、定量的評価を実施すること。

提案手法

• 入力画像 $f$ と異方的ウェーブレット $\psi$ の相関を用いて可逆的方向スコア $U_f$ を構築し、スコアドメインからの正確な画像再構成を可能にする。
• 方向スコアドメインは、交差や分岐部の血管を別々の方向性レイヤーに分離可能であり、方向性空間における局所的血管性フィルタリングを可能にする。
• スケール・方向性スコアへのフィルタ $\mathcal{V}_0^{\vec{a},\vec{b},\vec{c}}$ の適用により、$SIM(2)$ 群へのマルチスケール血管性フィルタの一般化を実現し、$L^\infty$-ノルムを用いた正規化により結果を再結合する。
• ゲージフレームを用いることで、局所的な血管方向に一致させ、スコアドメイン内での細長い構造への適合性を向上させる。
• 逆フーリエ変換と安定性を保つウェーブレット設計（ケーキウェーブレット）を用いて画像再構成を実施し、$M_\psi \approx 1$ を確保する。
• マスキングとサイズおよび延長性の制約を課した形で、適応的しきい値処理と形態的コンポonent解析を用いて、血管マップを精緻化する。

実験結果

リサーチクエスチョン

• RQ1 $SIM(2)$-不変の方向スコアドメインにおける血管性フィルタリングは、古典的な Frangi フィルターよりも交差部および分岐部における血管強調をより効果的に行えるか？
• RQ2 方向スコアドメインにおけるゲージフレームの使用は、標準的な方向ベースのフィルタリングと比較して、血管性フィルタリング性能をどのように向上させるか？
• RQ3 本手法は、複雑な血管構造を有する網膜画像において、分離精度と感度をどの程度向上させるか？
• RQ4 Frangi フィルターよりも、本手法は分離パイプラインにおけるしきい値の変動に対してどの程度ロバストか？

主な発見

• ゲージフレームを用いた本手法（$\mathcal{V}^{\vec{a},\vec{b},\vec{c}}$）は、緑内障群で最高の感度 0.641 を達成し、Frangi フィルターより優れた性能を示した。
• HRF データセットにおいて、しきい値 $t=0.05$ 時に、健康群で平均正確性 0.969、糖尿病網膜症群で 0.953、緑内障群で 0.960 を達成した。
• 本手法はしきい値変動に対して優れたロバスト性を示し、性能曲線の信頼区間が狭く、異なる $t$ 値においても安定した分離結果を示した。
• 糖尿病網膜症群において、既存の分離アルゴリズムを上回り、微小で複雑な血管構造の検出性能が向上した。
• 定性的な結果から、交差部および分岐部における血管強調が明確にされ、ゲージフレーム手法が最も正確で整合性のある血管マップを生成した。
• $SIM(2)$-不変の方向スコアの使用により、重なった血管構造のより良い分離が可能となり、複雑領域における血管性フィルタリングの性能が向上した。