[논문 리뷰] DDNet: Cartesian-polar Dual-domain Network for the Joint Optic Disc and Cup Segmentation

Qing Liu, Xiaopeng Hong외 3명|arXiv (Cornell University)|2019. 04. 18.

Retinal Imaging and Analysis참고 문헌 33인용 수 7

한 줄 요약

이 논문은 망막 후면도 영상에서 시신경판과 시신경구를 동시 분할하기 위해 카르테시안-극좌표 이중 도메인 컨볼루션 신경망인 DDNet을 제안한다. 이는 카르테시안 공간에서의 이동 등변 특징과 극좌표 공간에서의 회전 등변 특징을 이중 도메인 융합 모듈을 통해 활용한다. DDNet은 ORIGA 데이터셋에서 최신 기술 수준의 성능을 달성하며, 수직 시신경구-판 비율(CDR) 추정 오차를 0.0641로 감소시켜 녹내장 스크리닝 잠재력이 높음을 입증한다.

ABSTRACT

Existing joint optic disc and cup segmentation approaches are developed either in Cartesian or polar coordinate system. However, due to the subtle optic cup, the contextual information exploited from the single domain even by the prevailing CNNs is still insufficient. In this paper, we propose a novel segmentation approach, named Cartesian-polar dual-domain network (DDNet), which for the first time considers the complementary of the Cartesian domain and the polar domain. We propose a two-branch of domain feature encoder and learn translation equivariant representations on rectilinear grid from Cartesian domain and rotation equivariant representations on polar grid from polar domain parallelly. To fuse the features on two different grids, we propose a dual-domain fusion module. This module builds the correspondence between two grids by the differentiable polar transform layer and learns the feature importance across two domains in element-wise to enhance the expressive capability. Finally, the decoder aggregates the fused features from low-level to high-level and makes dense predictions. We validate the state-of-the-art segmentation performances of our DDNet on the public dataset ORIGA. According to the segmentation masks, we estimate the commonly used clinical measure for glaucoma, i.e., the vertical cup-to-disc ratio. The low cup-to-disc ratio estimation error demonstrates the potential application in glaucoma screening.

연구 동기 및 목표

• 2D 망막 영상에서 깊이 정보가 부족한 점을 감안해 단일 도메인 딥 러닝의 시신경구 및 시신경판 분할 한계를 해결하기 위해.
• 더 나은 분할 성능을 위해 카르테시안 좌표계와 극좌표계에서의 상호보완적 맥락 정보를 탐색하기 위해.
• 카르테시안 공간에서의 이동 등변 특징과 극좌표 공간에서의 회전 등변 특징을 융합하여 표현 학습을 향상시키는 방법을 개발하기 위해.
• ORIGA 데이터셋에서의 성능 평가 및 수직 시신경구-판 비율(CDR) 추정을 통한 임상 유용성 평가를 위해.

제안 방법

• 이중 브랜치 인코더 네트워크 설계: 하나는 카르테시안 좌표에서 이동 등변 특징 학습을 위한 것이고, 다른 하나는 극좌표에서 회전 등변 특징 학습을 위한 것이다.
• 직선 그리드와 극좌표 그리드 간의 공간적 대응을 확립하기 위해 가역적 극좌표 변환 레이어 도입.
• 다양한 도메인 간 요소별 특징 중요도를 학습하여 표현 능력을 향상시키는 이중 도메인 융합 모듈 제안.
• 다중 수준 융합 특징을 집계하여 조밀한 분할 예측을 수행하기 위해 디코더 사용.
• 시신경판 및 시신경구 분할의 공동 최적화를 위해 이진 교차 엔트로피 손실과 딱지 손실의 조합을 사용해 네트워크 훈련.
• 분할 마스크를 적용하여 임상 평가를 위한 수직 시신경구-판 비율(CDR) 계산.

실험 결과

연구 질문

• RQ1 카르테시안 도메인과 극좌표 도메인의 특징을 융합하면 단일 도메인 접근 방식에 비해 시신경판 및 시신경구의 분할 정확도가 향상되는가?
• RQ2 이동 등변 및 회전 등변 표현의 융합이 불안정한 분할 과제에 대한 특징 표현을 어떻게 향상시키는가?
• RQ3 제안된 이중 도메인 융합 메커니즘이 분할 겹침 및 경계 국소화 측면에서 기존 최신 기술 수준의 모델을 초월하는가?
• RQ4 향상된 분할 성능가 얼마나 정확한 임상 측정치, 예를 들어 녹내장 위험 평가를 위한 수직 시신경구-판 비율(CDR)로 이어지는가?

주요 결과

• DDNet은 ORIGA 데이터셋에서 모든 기준 모델 대비 시신경판(E_disc), 시신경구(E_cup), 림(E_rim)의 겹침 오차가 가장 낮게 기록했다.
• MNet이라는 이전 최신 기술 수준의 방법에 비해 시신경판, 시신경구, 림 각각 1.7%, 2.6%, 3.2%의 겹침 오차 감소를 달성했다.
• MNet 대비 시신경판 및 시신경구의 경계 위치 오차(BLE) 각각 1.44와 1.9 감소를 기록했다.
• DDNet은 카르테시안 및 극좌표 도메인 양쪽에서 DeepLabv3+를 능가했으며, 시신경판, 시신경구, 림 각각 겹침 오차를 0.5%, 0.5%, 1.1% 감소시켰다.
• DDNet은 절대 CDR 추정 오차 0.0641을 기록하여, DeepLabv3+(카르테시안: 0.0671, 극좌표: 0.0668) 및 MNet(0.071)을 모두 능가했다.
• 기타 모델이 정확하게 시신경구를 분할하지 못하는 어려운 케이스에서도 강건성을 입증했다.