[논문 리뷰] Automatic Identification of Retinal Arteries and Veins in Fundus Images using Local Binary Patterns

Nima Hatami, Michael H. Goldbaum|arXiv (Cornell University)|2016. 05. 03.

Retinal Imaging and Analysis참고 문헌 31인용 수 11

한 줄 요약

이 논문은 저대비 및 저품질 이미지에서의 정확성과 신뢰성을 향상시키기 위해 무늬 및 형태 특징을 활용한 새로운 국소 이진 패턴(LBP) 기반 방법을 제안한다. 이 방법은 망막 동맥 및 정맥(AV) 분류에서 최신 기술 수준의 성능을 달성하며, 포괄적인 벤치마킹을 통해 기존 방법들보다 향상된 정확도와 신뢰성을 입증한다.

ABSTRACT

Artery and vein (AV) classification of retinal images is a key to necessary tasks, such as automated measurement of arteriolar-to-venular diameter ratio (AVR). This paper comprehensively reviews the state-of-the art in AV classification methods. To improve on previous methods, a new Local Bi- nary Pattern-based method (LBP) is proposed. Beside its simplicity, LBP is robust against low contrast and low quality fundus images; and it helps the process by including additional AV texture and shape information. Experimental results compare the performance of the new method with the state-of-the art; and also methods with different feature extraction and classification schemas.

연구 동기 및 목표

• 망막 동맥 및 정맥(AV) 분류의 정확성과 자동화를 향상시키기 위해, 혈관비율(AVR) 측정에 필수적인 기초 단계를 해결한다.
• 새로운 국소 이진 패턴(LBP) 기반 접근을 통해 무늬 및 형태 정보를 통합함으로써 기존 AV 분류 방법을 향상시킨다.
• 임상 및 자동화 환경에서 성능을 저해하는 일반적인 저대비 및 저품질 망막 영상에서의 강건성을 향상시킨다.
• 최신 기술 수준의 기법들을 초월하는 단순하면서도 효과적인 방법을 제공함으로써 AV 분류 정확도에서 뛰어난 성능을 발휘한다.

제안 방법

• 방법은 각 픽셀 주변의 미세한 밝기 변화를 캡처하기 위해 망막 후면도 영상에서 무늬 특징을 추출하기 위해 국소 이진 패턴(LBP)을 활용한다.
• 로컬 이웃 영역에서 LBP 특징를 계산하여 공간 패턴을 인코딩함으로써 동맥 및 정맥 구조 간의 구분 능력을 향상시킨다.
• 혈관 기하학성과 구조를 캡처하기 위해 추가적인 형태 및 형태학적 특징을 통합하여 분류 성능을 향상시킨다.
• 추출된 LBP 및 형태 특징에 대해 지도 학습 프레임워크를 적용하여 동맥과 정맥을 구분하는 데 사용되는 학습 알고리즘을 적용한다.
• 이 방법은 계산 효율성이 뛰어나고, 저대비 및 노이즈와 같은 영상 품질 악화에 강건하도록 설계되어 있다.
• 표준 데이터셋을 사용하여 성능을 평가하고, 다양한 특징 추출 및 분류 전략을 가진 최신 기술 수준의 여러 방법들과 비교한다.

실험 결과

연구 질문

• RQ1 LBP 기반 방법은 저품질 영상에서의 강건성을 향상시키며 망막 동맥 및 정맥을 효과적으로 분류할 수 있는가?
• RQ2 제안된 LBP 방법은 기존 최신 기술 수준의 AV 분류 기법들에 비해 정확도와 신뢰성 면에서 어떻게 비교되는가?
• RQ3 무늬 특징만을 사용하는 방법에 비해 무늬 및 형태 특징을 통합함으로써 AV 분류 성능은 어느 정도 향상되는가?
• RQ4 제안된 방법은 저대비 및 노이즈가 많은 다양한 영상 품질 조건에서도 높은 성능을 유지하는가?

주요 결과

• 제안된 LBP 기반 방법은 벤치마크 데이터셋에서 기존 최신 기술 수준의 방법들보다 뛰어난 분류 정확도를 달성한다.
• LBP와 형태 특징의 통합은 특히 저대비 및 저품질 영상에서 성능 향상에 크게 기여한다.
• 이 방법은 영상 품질 악화에 강건하여, 다른 방법들이 실패하는 상황에서도 높은 정확도를 유지한다.
• 단순성과 낮은 계산 오버헤드 덕분에 실시간 임상 적용에 적합한 계산 효율성이 뛰어나다.
• 포괄적인 비교를 통해 제안된 방법이 여러 대안적 특징 추출 및 분류 아키텍처를 뛰어넘는 것으로 확인되었다.