[논문 리뷰] FCM Based Blood Vessel Segmentation Method for Retinal Images

Nilanjan Dey, Anamitra Bardhan Roy외 2명|arXiv (Cornell University)|2012. 09. 06.

Retinal Imaging and Analysis참고 문헌 7인용 수 61

한 줄 요약

이 논문은 강도 분포와 공간 제약 조건을 활용하여 저대trast 비율의 망막 영상에서 혈관을 분할하기 위한 퍼지 c-의미(Clustering, FCM) 기반 방법을 제안한다. 전문가가 작성한 기준값과 비교할 때, 이 방법은 99.62%의 민감도, 95.08%의 양성 예측도, 95.03%의 정확도를 달성하여 녹내장 및 기타 망막 질환의 조기 진단에서 높은 성능을 보여준다.

ABSTRACT

Segmentation of blood vessels in retinal images provides early diagnosis of diseases like glaucoma, diabetic retinopathy and macular degeneration. Among these diseases occurrence of Glaucoma is most frequent and has serious ocular consequences that can even lead to blindness, if it is not detected early. The clinical criteria for the diagnosis of glaucoma include intraocular pressure measurement, optic nerve head evaluation, retinal nerve fiber layer and visual field defects. This form of blood vessel segmentation helps in early detection for ophthalmic diseases, and potentially reduces the risk of blindness. The low-contrast images at the retina owing to narrow blood vessels of the retina are difficult to extract. These low contrast images are, however useful in revealing certain systemic diseases. Motivated by the goals of improving detection of such vessels, this present work proposes an algorithm for segmentation of blood vessels and compares the results between expert ophthalmologist hand-drawn ground-truths and segmented image(i.e. the output of the present work).Sensitivity, specificity, positive predictive value (PPV), positive likelihood ratio (PLR) and accuracy are used to evaluate overall performance.It is found that this work segments blood vessels successfully with sensitivity, specificity, PPV, PLR and accuracy of 99.62%, 54.66%, 95.08%, 219.72 and 95.03%, respectively.

연구 동기 및 목표

• 저대비 비율의 망막 혈관을 효과적으로 분할하기 위해, 좁고 흐린 외관으로 인해 추출이 어려운 혈관의 분할을 향상시키기 위해.
• 수동 전문가 주석에 의존도를 줄이는 강력한 자동화된 혈관 분할 방법을 개발하기 위해.
• 민감도, 특이도, 양성 예측도와 같은 표준 성능 지표를 사용하여 전문가가 그린 기준값과 비교해 제안된 방법의 성능을 평가하기 위해.
• 정확한 맹막 혈관 구조 식별을 통해 녹내장 및 기타 안과 질환의 조기 진단을 향상시키기 위해.

제안 방법

• 이 방법은 강도 값에 기반하여 맹막 영상 픽셀을 혈관 및 비혈관 클래스로 분할하기 위해 퍼지 c-의미(FCM) 클러스터링을 활용한다.
• 공간 제약 조건이 FCM 목표 함수에 통합되어 이웃 정보를 고려함으로써 분할 정확도를 향상시킨다.
• 사전 처리 단계로 대trast 강화 및 노이즈 감소를 수행하여 클러스터링 이전에 입력 영상 품질을 향상시킨다.
• 멤버십 정도와 공간적 근접도를 균형 있게 조절하는 수정된 FCM 목표 함수를 사용하여 경계 검출 성능을 향상시킨다.
• 각 픽셀를 소속도가 가장 높은 클러스터에 할당함으로써 분할 결과를 생성한다.
• 성능 평가에는 전문 안과 의사가 작성한 기준값을 사용하며, 민감도, 특이도, 양성 예측도, 양성 우도 비율(PLR), 정확도 등 정량적 평가를 실시한다.

실험 결과

연구 질문

• RQ1 퍼지 c-의미 클러스터링 접근 방식은 망막 영상에서 좁고 저대비 비율의 혈관을 효과적으로 분할할 수 있는가?
• RQ2 FCM에 공간 제약 조건을 통합할 경우, 기존 표준 FCM 대비 혈관 분할 정확도가 어떻게 향상되는가?
• RQ3 제안된 방법은 전문 안과 의사의 분할 정확도와 어느 정도 일치하는가?
• RQ4 제안된 방법의 민감도, 특이도 및 양성 예측도는 맹막 혈관을 검출할 때 얼마인가?

주요 결과

• 제안된 FCM 기반 방법은 99.62%의 민감도를 달성하여 실제 혈관을 거의 완전히 탐지함을 나타낸다.
• 양성 예측도(PPV)는 95.08%로, 거짓 양성에서 진짜 혈관을 높은 정밀도로 구분함을 보여준다.
• 특이도는 54.66%로, 비혈관 영역을 정확히 식별하는 데 중간 정도의 능력을 보인다.
• 양성 우도 비율(PLR)은 219.72로, 알고리즘이 어떤 구조를 혈관으로 탐지할 경우 혈관 존재에 강력한 증거를 제공함을 시사한다.
• 전체 분할 정확도는 95.03%로, 다양한 지표에서 뛰어난 성능을 보여준다.
• 특히 흐리고 좁은 혈관을 탐지하는 데 있어 기존의 전통적 방법보다 제안된 방법이 뛰어난 성능을 보였다.