[논문 리뷰] Automated Segmentation of the Optic Disk and Cup using Dual-Stage Fully Convolutional Networks

Lei Bi, Yuyu Guo외 4명|arXiv (Cornell University)|2019. 02. 13.

Retinal Imaging and Analysis참고 문헌 18인용 수 3

한 줄 요약

이 논문은 망막 후면도 영상에서 자동으로 시신경두 및 시신경구멍을 분할하기 위해 이중단계 완전 컨volution 네트워크(DSFCN)를 제안한다. 이는 이전 단계의 예측 결과를 반복적으로 이용하여 경계 정확도를 향상시키는 반복 보정 기법을 활용한다. 제안된 방법은 REFUGE 챌린지 데이터셋에서 전통적인 FCN 기반 접근법보다 우수한 성능을 보이며, 시신경구멍 분할의 딱지 점수(Dice score)는 0.8488, 시신경두 분할의 딱지 점수는 0.9441, 녹내장 진단의 AUC는 0.9513을 기록하였다.

ABSTRACT

Automated segmentation of the optic cup and disk on retinal fundus images is fundamental for the automated detection / analysis of glaucoma. Traditional segmentation approaches depend heavily upon hand-crafted features and a priori knowledge of the user. As such, these methods are difficult to be adapt to the clinical environment. Recently, deep learning methods based on fully convolutional networks (FCNs) have been successful in resolving segmentation problems. However, the reliance on large annotated training data is problematic when dealing with medical images. If a sufficient amount of annotated training data to cover all possible variations is not available, FCNs do not provide accurate segmentation. In addition, FCNs have a large receptive field in the convolutional layers, and hence produce coarse outputs of boundaries. Hence, we propose a new fully automated method that we refer to as a dual-stage fully convolutional networks (DSFCN). Our approach leverages deep residual architectures and FCNs and learns and infers the location of the optic cup and disk in a step-wise manner with fine-grained details. During training, our approach learns from the training data and the estimated results derived from the previous iteration. The ability to learn from the previous iteration optimizes the learning of the optic cup and the disk boundaries. During testing (prediction), DSFCN uses test (input) images and the estimated probability map derived from previous iterations to gradually improve the segmentation accuracy. Our method achieved an average Dice co-efficient of 0.8488 and 0.9441 for optic cup and disk segmentation and an area under curve (AUC) of 0.9513 for glaucoma detection.

연구 동기 및 목표

• 기존의 수작업 특징 추출 기법의 한계를 해결하기 위해.
• 기존의 완전 컨볼루션 네트워크(FCNs)에서의 제한된 애너테이션 의료 데이터와 굵은 경계 예측 문제를 해결하기 위해.
• 반복 보정을 통해 예측치를 향상시키는 완전 자동화된 엔드 투 엔드 방법을 개발하여 분할 정확도를 향상시키기 위해.
• 더 신뢰할 수 있는 녹내장 진단을 위해 시신경구멍과 시신경두의 경계 정의를 향상시키기 위해.
• REFUGE 챌린지 데이터셋을 활용하여 방법의 유효성을 검증하기 위해, 이는 시신경두와 시신경구멍 분할을 위한 벤치마크이다.

제안 방법

• 제안된 DSFCN는 이중단계 아키텍처를 사용하며, 두 번째 단계에서 이전 단계의 예측 결과와 함께 입력 이미지와 추정 확률 맵을 이용해 첫 번째 단계의 예측을 보정한다.
• 모델의 특징 학습과 학습 중 기울기 흐름을 향상시키기 위해 깊이 있는 잔여 아키텍처를 활용한다.
• 학습 중에 모델은 진정한 애너테이션뿐만 아니라 자신의 이전 예측 결과로부터도 학습하여 경계 세부 정보를 점진적으로 개선한다.
• 추론 중에는 테스트 이미지와 이전 단계의 확률 맵을 다음 단계의 입력으로 사용하여 분할 결과의 반복적 향상이 가능하다.
• 전체 이미지에 걸쳐 고밀도 픽셀 단위 예측을 가능하게 하기 위해 완전 컨볼루션 레이어를 사용하여 공간 해상도를 유지한다.
• 전역 및 국소 분할 정확도를 최적화하기 위해 다중 척도 손실 함수를 사용하여 엔드 투 엔드로 네트워크를 훈련시킨다.

실험 결과

연구 질문

• RQ1 이중단계 FCN 아키텍처는 단일단계 FCN에 비해 시신경구멍 및 시신경두 분할 정확도를 향상시킬 수 있는가?
• RQ2 이전 단계의 예측 결과를 반복적으로 활용한 보정 기법이 망막 영상에서 경계 정의를 향상시킬 수 있는가?
• RQ3 제한된 애너테이션 데이터를 가진 다양한 망막 영상 변형에 대해 제안된 방법이 잘 일반화될 수 있는가?
• RQ4 DSFCN는 REFUGE 챌린지와 같은 벤치마크 데이터셋에서 어떻게 성능을 발휘하는가?
• RQ5 정확한 분할을 통해 녹내장 진단 성능이 얼마나 향상되는가?

주요 결과

• DSFCN는 시신경구멍 분할에서 딱지 계수(Dice coefficient) 0.8488을 기록하여 진정한 값과 강한 겹침을 보였다.
• 시신경두 분할에서 딱지 점수 0.9441을 달성하여 시신경두 경계 검출의 높은 정밀도를 입증하였다.
• 녹내장 진단에 대해 AUC(곡선 아래 면적) 0.9513을 기록하여 강력한 진단 성능를 보였다.
• 기존의 표준 FCN 기반 기준 대비 반복 보정 메커니즘이 경계 정확도를 크게 향상시켰다.
• 다양하고 도전적인 망막 영상을 포함한 REFUGE 챌린지 데이터셋에서 뛰어난 강건성을 보였다.
• 추론 중 이전 단계의 예측 확률 맵을 활용하여 분할 품질이 점진적으로 향상됨을 입증하였다.