[논문 리뷰] Attention Guided Network for Retinal Image Segmentation

Shihao Zhang, Huazhu Fu외 6명|arXiv (Cornell University)|2019. 07. 25.

Retinal Imaging and Analysis참고 문헌 17인용 수 23

한 줄 요약

이 논문은 표준 스위프 커넥션과 업샘플링을 구조적 세부 정보를 유지하는 데 주목하는 필터로 대체하는 새로운 망막 영상 분할 프레임워크인 Attention Guided Network (AG-Net)을 제안한다. 주목하는 필터와 주목 메커니즘을 통합함으로써 AG-Net은 특징 융합을 향상시키고 배경 노이즈를 줄이며, 혈관 및 시신경두/시신경구 분할 작업에서 최신 기술 수준(SOTA) 성능을 달성한다.

ABSTRACT

Learning structural information is critical for producing an ideal result in retinal image segmentation. Recently, convolutional neural networks have shown a powerful ability to extract effective representations. However, convolutional and pooling operations filter out some useful structural information. In this paper, we propose an Attention Guided Network (AG-Net) to preserve the structural information and guide the expanding operation. In our AG-Net, the guided filter is exploited as a structure sensitive expanding path to transfer structural information from previous feature maps, and an attention block is introduced to exclude the noise and reduce the negative influence of background further. The extensive experiments on two retinal image segmentation tasks (i.e., blood vessel segmentation, optic disc and cup segmentation) demonstrate the effectiveness of our proposed method.

연구 동기 및 목표

• 망막 영상 분할에서 특징 업샘플링 과정에서 발생하는 구조적 정보 손실 문제를 해결하기 위해.
• U-Net 유사 아키텍처에서 표준 스위프 커넥션 대신 구조 민감한 확장 경로를 도입하여 특징 융합을 향상시키기 위해.
• 분할 출력에서 배경 노이즈와 경계 흐림의 영향을 줄이기 위해.
• 혈관, 시신경두, 시신경구와 같은 임상적으로 중요한 망막 구조의 분할 정확도를 향상시키기 위해.

제안 방법

• 저해상도 특징 맵에서 고해상도 특징 맵으로 구조적 정보를 전달하기 위해 가이드 필터를 사용하는 주목하는 필터를 도입한다.
• 공간 주목 맵을 생성하기 위해 주목 블록을 활용하여 배경 노이즈를 억제하고 전경 특징을 강화한다.
• 주목 맵을 사용해 가이드 필터 계수를 가중치 처리함으로써 경계와 구조적 세부 정보를 유지하는 선택적 필터링을 가능하게 한다.
• M-Net의 표준 업샘플링 및 스위프 커넥션 대신 주목하는 필터를 도입하여 정보 융합을 향상시킨다.
• 고해상도 출력 맵을 재구성하기 위해 필터 계수를 이중선형 업샘플링한다.
• 재구성 오차를 최소화하기 위해 정규화 항을 포함한 최소 제곱 문제를 최적화하여 필터 계수를 조정한다.

실험 결과

연구 질문

• RQ1 가이드 필터가 깊은 신경망에 효과적으로 통합되어 망막 영상 분할에서 구조적 세부 정보를 유지할 수 있는가?
• RQ2 가이드 필터에 주목 메커니즘을 통합함으로써 배경 노이즈 억제를 통해 분할 성능이 향상되는가?
• RQ3 제안된 주목하는 필터는 표준 스위프 커넥션과 업샘플링 대비 분할 정확도에서 어떤가?
• RQ4 주목하는 필터는 혈관 및 시신경두/시신경구 분할과 같은 다양한 망막 분할 작업에 일반화 가능한가?
• RQ5 기준 모델인 M-Net에 비해 제안된 방법의 계산 비용은 어떠한가?

주요 결과

• AG-Net은 혈관 분할에서 DRIVE 데이터셋에서 DSC 0.8186을 달성하여 기준 모델인 M-Net(0.8089)과 다른 최신 기술 수준의 방법들을 능가한다.
• ORIGA 데이터셋에서 AG-Net은 시신경두 및 시신경구 분할에 대해 오버랩 오차(OE) 0.137을 기록하여 M-Net+PT(0.150)를 포함한 모든 비교 방법을 뛰어넘었다.
• AG-Net+PT* 버전은 최고의 OE 0.137을 기록했으며, 시신경두는 0.061, 시신경구는 0.212로 크기 변화에 대해 뛰어난 내성성을 보였다.
• AG-Net은 이미지당 테스트 추론 시간을 0.0158초로 줄여 M-Net(0.0691 s)보다 훨씬 빠르게 하였다. 다만 학습 시간은 더 길었다.
• 제거 분석 결과 주목하는 필터가 배경 노이즈를 효과적으로 줄이고 경계 정밀도를 향상시킨다는 것이 확인되었다.
• 다양한 망막 구조에서 높은 성능를 유지함으로써 임상적으로 중요한 분할 작업에 대한 일반화 능력이 확인되었다.