[논문 리뷰] Deep Dilated Convolutional Nets for the Automatic Segmentation of Retinal Vessels

Ali Hatamizadeh, Hamid Hosseini외 3명|arXiv (Cornell University)|2019. 05. 28.

Retinal Imaging and Analysis참고 문헌 16인용 수 13

한 줄 요약

이 논문은 다중 확장률을 사용한 확장된 공간 피ラ미드 풀링을 통합한 완전 컨volution 신경망 기반의 인코더-디코더 아키텍처를 제안하여 망막 혈관 분할 성능을 향상시킨다. 전체 이미지 추론과 다중 척도의 문맥 모델링을 활용함으로써, DRIVE 및 CHASE-DB1 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성하며 민감도와 정확도가 향상되었고, 분할 마스크에서 직접 혈관 폭 추정이 가능하여 생물학적 지표 개발에 기여할 수 있다.

ABSTRACT

The reliable segmentation of retinal vasculature can provide the means to diagnose and monitor the progression of a variety of diseases affecting the blood vessel network, including diabetes and hypertension. We leverage the power of convolutional neural networks to devise a reliable and fully automated method that can accurately detect, segment, and analyze retinal vessels. In particular, we propose a novel, fully convolutional deep neural network with an encoder-decoder architecture that employs dilated spatial pyramid pooling with multiple dilation rates to recover the lost content in the encoder and add multiscale contextual information to the decoder. We also propose a simple yet effective way of quantifying and tracking the widths of retinal vessels through direct use of the segmentation predictions. Unlike previous deep-learning-based approaches to retinal vessel segmentation that mainly rely on patch-wise analysis, our proposed method leverages a whole-image approach during training and inference, resulting in more efficient training and faster inference through the access of global content in the image. We have tested our method on two publicly available datasets, and our state-of-the-art results on both the DRIVE and CHASE-DB1 datasets attest to the effectiveness of our approach.

연구 동기 및 목표

• 당뇨병 및 고혈압과 같은 전신 질환의 조기 진단을 지원하기 위해 완전 자동화되고 신뢰할 수 있는 망막 혈관 분할 방법을 개발하는 것.
• 패치 기반 딥 러닝 방법의 한계를 극복하기 위해 전체 이미지 접근 방식을 사용하여 더 나은 전역적 문맥 정보 확보와 더 빠른 추론을 달성하는 것.
• 분할 마스크에서 직접적으로 정량적 혈관 폭 추정을 가능하게 하여 생물학적 지표 발견을 지원하는 것.
• 확장된 공간 피라미드 풀링과 다중 척도 감독을 통해 미세한 혈관 구조의 분할 정확도를 향상시키는 것.
• 임상적으로 유의미한 질병 모니터링을 위한 강력하고 종단 간(end-to-end) 솔루션을 제공하는 것.

제안 방법

• 모델은 공간 해상도를 유지하고 다중 척도 특징을 캡처하기 위해 확장된 잔차 블록을 사용한 완전 컨volution 인코더-디코더 아키텍처를 활용한다.
• 다양한 확장률을 사용한 확장된 공간 피라미드 풀링을 적용하여 인코딩 과정에서 손실된 문맥 정보를 복구하고 디코더에 다중 척도 특징을 강화한다.
• 입력 이미지가 네트워크 전반에서 다중 척도로 제공되며, 각 척도에서 깊은 감독을 적용하여 특징 학습과 기울기 흐름을 향상시킨다.
• 각 컨볼루션 레이어 이후 배치 정규화와 ReLU 활성화 함수를 사용하여 학습의 안정성과 속도를 향상시킨다.
• 분할 마스크에서 추가 애너테이션 없이도 직접적으로 혈관 폭 프로파일을 계산할 수 있는 새로운 폭 추정 기법을 도입한다.
• 전체 망막 이미지에서 이진 교차 엔트로피 손실을 사용해 엔드 투 엔드로 학습함으로써 효율적인 전체 이미지 추론을 가능하게 한다.

실험 결과

연구 질문

• RQ1 확장된 공간 피라미드 풀링을 통합한 완전 컨볼루션 네트워크가 패치 기반 방법에 비해 망막 혈관 분할 정확도와 추론 속도에서 뛰어난 성능을 보일 수 있는가?
• RQ2 다중 척도 입력과 감독의 통합이 미세한 혈관 구조 탐지에 얼마나 효과적인가?
• RQ3 추가 애너테이션이나 후처리 없이도 분할 마스크에서 신뢰성 있게 혈관 폭 추정이 가능할 수 있는가?
• RQ4 전체 이미지 추론을 사용할 경우 패치 기반 접근 방식에 비해 더 연속적이고 해부학적으로 타당한 분할 마스크를 얻을 수 있는가?
• RQ5 제안된 아키텍처가 DRIVE 및 CHASE-DB1와 같은 벤치마크 데이터셋에서 민감도와 특이도를 얼마나 향상시키는가?

주요 결과

• DRIVE 데이터셋에서 제안된 방법은 민감도 0.8197과 F1 스코어 0.8223을 기록하여 민감도에서 최신 기술 수준 성능을 초월하고 F1 스코어에서도 경쟁력 있는 성능을 보였다.
• DRIVE 데이터셋에서 특이도 0.9848과 정확도 0.9750을 달성하여 높은 정밀도와 강건성을 입증하였다.
• CHASE-DB1 데이터셋에서 민감도 0.8300과 F1 스코어 0.8073을 기록하여 대부분의 기존 방법보다 모든 지표에서 뛰어난 성능를 보였으며 유일하게 특이도를 제외한 모든 지표에서 승리하였다.
• 두 데이터셋의 정밀도-재현율 곡선은 외곽선이 없이 일관된 성능을 보이며 다양한 이미지에서 안정적이고 신뢰할 수 있는 분할 성능을 입증하였다.
• 분할 마스크에서 유도된 폭 추정 프로파일이 혈관 형태를 정확히 반영하여 생물학적 지표 개발에 임상적 유용성을 보였다.
• 전체 이미지 추론 방식은 패치 기반 방법에 비해 더 빠른 추론 속도와 더 자연스럽고 연속적인 분할 마스크를 제공하였다.