[논문 리뷰] A Two-Stream Meticulous Processing Network for Retinal Vessel Segmentation

Shaoming Zheng, Tianyang Zhang외 3명|arXiv (Cornell University)|2020. 01. 15.

Retinal Imaging and Analysis참고 문헌 12인용 수 4

한 줄 요약

이 논문은 두 개의 스트림을 갖는 미세한 처리 네트워크(MP-Net)를 제안하여, 계층적 형태학적 연산을 이용해 지표 마스크를 두께 수준으로 자동으로 계층화함으로써 얇은 혈관과 경계 영역의 검출을 향상시킨다. 모델은 균형 잡힌 손실 함수와 특징 통합을 갖춘 두 개의 스트림 생성적 적대적 네트워크를 사용하여, DRIVE, STARE, CHASE_DB1에서 최신 기술을 초월하여, 각각 0.9844, 0.9883, 0.9858의 최고 성능 AUC 스코어를 달성한다.

ABSTRACT

Vessel segmentation in fundus is a key diagnostic capability in ophthalmology, and there are various challenges remained in this essential task. Early approaches indicate that it is often difficult to obtain desirable segmentation performance on thin vessels and boundary areas due to the imbalance of vessel pixels with different thickness levels. In this paper, we propose a novel two-stream Meticulous-Processing Network (MP-Net) for tackling this problem. To pay more attention to the thin vessels and boundary areas, we firstly propose an efficient hierarchical model automatically stratifies the ground-truth masks into different thickness levels. Then a novel two-stream adversarial network is introduced to use the stratification results with a balanced loss function and an integration operation to achieve a better performance, especially in thin vessels and boundary areas detecting. Our model is proved to outperform state-of-the-art methods on DRIVE, STARE, and CHASE_DB1 datasets.

연구 동기 및 목표

• 혈관 픽셀 분포의 클래스 불균형으로 인한 얇은 망막 혈관과 경계 영역에서의 낮은 분할 성능 문제를 해결하기 위해.
• 지표 마스크를 고유한 두께 수준으로 계층화하는 자동적이고 계층적인 형태학적 방법을 개발하여 훈련 감도를 향상시키기 위해.
• 일般 혈관 특징과 얇은 혈관 전용 특징을 모두 학습할 수 있도록 두 개의 스트림으로 구성된 적대적 네트워크를 설계하기 위해.
• 두 스트림의 예측을 픽셀 단위의 OR 연산으로 통합하고, 균형 잡힌 손실 함수를 적용하여 두꺼운 혈관에 대한 편향을 줄이기 위해.
• 특히 얇은 혈관 검출에 초점을 맞춰 표준 망막 혈관 분할 벤치마크에서 모델의 우수성을 검증하기 위해.

제안 방법

• 자동 계층화 방법은 점차 증가하는 커널 크기를 갖는 계층적 개방 연산을 사용하여 지표 마스크를 혈관 직경 기반으로 구간으로 분할하며, 혈관 경계 곡선 간의 Fréchet 거리로 정의된다.
• 이 방법은 혈관 직경 δ가 d_c < δ ≤ d_{c+1} 를 만족하는 영역으로서, 중간 마스크 M_{δ>d} 의 집합 차수를 통해 유도된다.
• 두 개의 스트림 아키텍처를 도입: 하나의 스트림은 원본, 기저, 얇은 구간을 함께 처리하여 일반적 특징을 추출하고, 다른 하나는 얇은 구간에 전적으로 집중하여 특수한 특징 학습을 수행한다.
• CE-GAN의 생성자(Generator)는 CE-Net 아키텍처를 기반으로 하며, 판별자(Discriminator)는 실제와 생성된 분할 맵을 구별하도록 훈련되어 특징의 현실감을 향상시킨다.
• 각 구간에 걸쳐 균형 잡힌 손실 함수를 적용하여 클래스 불균형을 완화하고, 최종 예측은 픽셀 단위의 OR 연산을 통해 융합되어 얇은 혈관 세부 정보를 유지한다.
• AUC, 정확도, 민감도, 특이도와 같은 표준 지표를 사용하여, DRIVE, STARE, CHASE_DB1 데이터셋에서 엔드 투 엔드로 모델을 훈련한다.

실험 결과

연구 질문

• RQ1 두께 수준에 따라 자동으로 망막 혈관 마스크를 계층화하는 것이, 얇은 혈관과 경계 영역에서의 분할 성능 향상에 기여하는가?
• RQ2 한 개의 스트림보다, 얇은 혈관에 특화된 하나의 스트림을 갖는 두 개의 스트림 적대적 네트워크 아키텍처가 더 나은 검출 성능을 내는가?
• RQ3 두께 구간 간에 균형 잡힌 손실 함수를 적용하면, 모델 학습에서 두꺼운 혈관 클래스에 대한 편향을 줄이고, 낮은 빈도로 나타나는 얇은 혈관 클래스의 성능을 향상시킬 수 있는가?
• RQ4 픽셀 단위의 OR 연산을 통한 일반적 특징과 얇은 혈관 전용 특징의 융합이 최종 분할 정확도에 어떤 영향을 미치는가?
• RQ5 제안된 MP-Net이 표준 망막 혈관 분할 벤치마크에서 최신 기술을 얼마나 뛰어나게 초월하는가?

주요 결과

• MP-Net는 DRIVE 데이터셋에서 AUC 0.9844를 기록하여 이전 최신 기술을 초월하였으며, 특히 얇은 혈관 데이터의 포함으로 인해 유의미한 향상이 있었다.
• STARE 데이터셋에서는 AUC 0.9883을 달성하여, 얇은 혈관과 경계 영역의 검출에서 뛰어난 성능을 보였다.
• CHASE_DB1에서는 AUC 0.9858를 기록하여, 다양한 혈관 특성을 가진 다양한 데이터셋에서 일관된 향상이 있었다.
• 절단 실험은 각 구성 요소—계층화, 두 개의 스트림 아키텍처, 얇은 혈관 전용 훈련—이 성능 향상에 기여하고 있음을 확인하였으며, 전체 모델이 모든 데이터셋에서 가장 높은 AUC를 기록하였다.
• MP-Net는 DRIVE와 CHASE_DB1에서 가장 높은 특이도, STARE에서는 가장 높은 민감도를 기록하여, 다양한 데이터셋에서 강력한 일반화 능력과 견고함을 보였다.
• 계층적 형태학적 개방을 사용한 자동 계층화는 두께 수준 감도를 효과적으로 향상시키지만, 두께 레이블의 수동 레이블링이 필요로 하지 않는다.