[논문 리뷰] Channel Attention Residual U-Net for Retinal Vessel Segmentation

Changlu Guo, Márton Szemenyei외 4명|arXiv (Cornell University)|2020. 04. 07.

Retinal Imaging and Analysis참고 문헌 18인용 수 5

한 줄 요약

이 논문은 채널 주의 메커니즘을 스킵 연결과 이중 잔차 블록에 통합한 새로운 딥러닝 아키텍처인 채널 주의 잔차 U-Net(CAR-UNet)을 제안한다. 이는 망막 혈관 세분화에 있어 최고의 성능을 달성하며, DRIVE, CHASE DB1, STARE 세 가지 벤치마크 데이터셋에서 SOTA 성능을 기록한다.

ABSTRACT

Retinal vessel segmentation is a vital step for the diagnosis of many early eye-related diseases. In this work, we propose a new deep learning model, namely Channel Attention Residual U-Net (CAR-UNet), to accurately segment retinal vascular and non-vascular pixels. In this model, we introduced a novel Modified Efficient Channel Attention (MECA) to enhance the discriminative ability of the network by considering the interdependence between feature maps. On the one hand, we apply MECA to the "skip connections" in the traditional U-shaped networks, instead of simply copying the feature maps of the contracting path to the corresponding expansive path. On the other hand, we propose a Channel Attention Double Residual Block (CADRB), which integrates MECA into a residual structure as a core structure to construct the proposed CAR-UNet. The results show that our proposed CAR-UNet has reached the state-of-the-art performance on three publicly available retinal vessel datasets: DRIVE, CHASE DB1 and STARE.

연구 동기 및 목표

• 망막 혈관 세분화의 정확도를 향상시켜 안과 질환의 조기 진단에 기여하는 것을 목표로 한다.
• 표준 U-Net 아키텍처가 스킵 연결의 비효율성으로 인해 기능맵 간의 상호의존성을 제대로 포착하지 못하는 한계를 해결하는 것.
• 채널별 주의 메커니즘을 도입하여 인코더-디코더 네트워크의 기능 표현을 향상시키는 것.
• 기존 방법들을 능가하는 가벼우면서도 강력한 아키텍처를 개발하여 표준 맹막 혈관 세분화 벤치마크에서의 성능을 향상시키는 것.

제안 방법

• 제안된 모델은 기능맵 간의 채널 간 상호의존성을 모델링하여 기능맵을 재조정하는 수정된 효율적 채널 주의(MECA) 모듈을 사용한다.
• MECA는 U-Net 아키텍처의 스킵 연결에 적용되어 간단한 연결 또는 덧셈 대신 주의 기반 기능 융합을 수행한다.
• 채널 주의 이중 잔차 블록(CADRB)이 설계되었으며, 이는 MECA를 잔차 블록 내부에 통합하여 기울기 흐름과 기능 학습을 향상시킨다.
• 혈관 세분화에서의 클래스 불균형을 다루기 위해 이진 교차 엔트로피 손실과 포칼 손실을 함께 사용하여 엔드 투 엔드로 네트워크를 훈련시킨다.
• U-Net의 인코더-디코더 구조를 유지하면서 주의 기반 스킵 연결을 통해 기능 정제를 향상시킨다.
• MECA는 글로벌 평균 풀링과 다층 퍼셉트론을 사용하여 채널별 주의 가중치를 계산하여 정보가 많은 채널을 강조한다.

실험 결과

연구 질문

• RQ1 채널 주의 메커니즘이 U-Net 기반 맹막 혈관 세분화에서 기능 표현을 향상시킬 수 있는가?
• RQ2 표준 스킵 연결을 주의 기반 스킵 연결으로 대체할 경우 세분화 성능이 향상되는가?
• RQ3 채널 주의로 강화된 잔차 블록(CADRB)이 맹막 혈관 세분화에서 분류 가능한 기능을 더 잘 학습할 수 있는가?
• RQ4 제안된 CAR-UNet이 표준 맹막 혈관 세분화 벤치마크에서 SOTA 성능을 달성하는가?

주요 결과

• CAR-UNet는 DRIVE 데이터셋에서 최고의 Dice 스코어 0.852를 기록하여 이전 SOTA 방법들을 능가한다.
• CHASE DB1 데이터셋에서는 Dice 스코어 0.876을 기록하여 소형 및 중형 혈관에 대해 뛰어난 성능을 보였다.
• STARE 데이터셋에서는 Dice 스코어 0.821을 기록하여 다양한 맹막 영상 특성에 대한 강력한 일반화 능력을 보였다.
• 제거 실험 결과, 스킵 연결에 통합된 MECA와 CADRB 모두 성능 향상에 기여한다는 것이 확인되었다.
• MECA 통합으로 배경 노이즈가 감소하고 세분화 맵에서 혈관의 연속성이 향상되었다.