[논문 리뷰] Joint Learning of Vessel Segmentation and Artery/Vein Classification with Post-processing

Liangzhi Li, Manisha Verma외 3명|arXiv (Cornell University)|2020. 05. 27.

Retinal Imaging and Analysis참고 문헌 22인용 수 12

한 줄 요약

이 논문은 순차적으로 망막 혈관 세분화와 동맥/정맥 분류를 수행하여 클래스 불균형 문제를 완화하고, 이후 구조적 맥락을 이용해 예측을 정밀하게 보정하는 두 단계의 딥러닝 프레임워크인 SeqNet을 제안한다. 이 방법은 DRIVE 데이터셋에서 세분화에 대해 AUC 0.98, 분류에 대해 정확도 0.92를 기록하여 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Retinal imaging serves as a valuable tool for diagnosis of various diseases. However, reading retinal images is a difficult and time-consuming task even for experienced specialists. The fundamental step towards automated retinal image analysis is vessel segmentation and artery/vein classification, which provide various information on potential disorders. To improve the performance of the existing automated methods for retinal image analysis, we propose a two-step vessel classification. We adopt a UNet-based model, SeqNet, to accurately segment vessels from the background and make prediction on the vessel type. Our model does segmentation and classification sequentially, which alleviates the problem of label distribution bias and facilitates training. To further refine classification results, we post-process them considering the structural information among vessels to propagate highly confident prediction to surrounding vessels. Our experiments show that our method improves AUC to 0.98 for segmentation and the accuracy to 0.92 in classification over DRIVE dataset.

연구 동기 및 목표

• 배경 픽셀이 혈관 픽셀에 비해 극도로 많아지는 망막 영상 분석에서의 클래스 불균형 문제를 해결하기 위해.
• 세분화와 분류를 순차적인 과정으로 분리함으로써 동맥/정맥 분류 정확도를 향상시키기 위해.
• 이웃한 혈관 세그먼트로부터의 구조적 맥락을 이용해 잘못 분류된 혈관 세그먼트를 수정하기 위해.
• 국소 예측에 전반적인 혈관 구조를 통합함으로써 모델의 강건성과 일반화 능력을 향상시키기 위해.
• 제한된 애너테이션 데이터에도 불구하고 공개된 맹막 영상 데이터셋에서 최신 기술 수준의 성능을 달성하기 위해.

제안 방법

• SeqNet이라는 UNet 기반 모델을 사용하여 순차적으로 혈관 세분화를 수행한 후 동맥/정맥 분류를 수행함으로써 레이블 분포 편향을 감소시킨다.
• 분류 스트림은 세분화 결과를 활용하여 배경 노이즈를 회피하고 혈관 영역에 집중한다.
• 후처리 단계에서 두께 및 거리 메트릭을 기반으로 한 구조적 유사도를 이용해 고신뢰도 레이블을 이웃한 혈관 세그먼트로 전파한다.
• 세분화 결과를 작은 세그먼트로 분할하고, 오류를 수정하기 위해 신뢰도 전파 규칙을 반복적으로 적용한다.
• 유사도 메트릭은 두께 차이(T_ij)와 공간적 거리(D_ij)를 조합하며, 각각 학습된 함수 F_T 및 F_D로 모델링된다.
• 컵 영역에서는 오버랩이 많고 분할에 실패할 수 있는 점을 방지하기 위해 전파를 제한한다.

실험 결과

연구 질문

• RQ1 연속적인 혈관 세분화 및 동맥/정맥 분류 학습이 통합 학습 대비 성능 향상에 기여하는가?
• RQ2 전반적인 혈관 구조를 활용한 후처리가 국소 분류 오류를 얼마나 효과적으로 수정하는가?
• RQ3 구조적 맥락 전파가 망막 혈관 유형 분류에서 잘못된 분류를 어느 정도 감소시키는가?
• RQ4 제안된 방법이 표준 맹막 영상 벤치마크에서 기존 최신 기술 수준의 모델을 초월하는가?
• RQ5 자료 부족과 높은 클래스 불균형 조건 하에서 이 방법은 어떻게 성능을 발휘하는가?

주요 결과

• DRIVE 데이터셋에서 혈관 세분화에 대해 AUC 0.98을 달성하여 기존 방법들을 능가한다.
• DRIVE 데이터셋에서 분류 정확도는 0.92에 도달했으며, 주요 혈관(≥2px 폭)에 대해 F1 스코어가 크게 향상되었다.
• DRIVE 데이터셋에서 중심선 분류의 F1 스코어는 후처리 덕분에 0.919에서 0.953으로 상승했다.
• LES-AV 데이터셋에서 중심선 분류 정확도는 0.930을 기록했으며, 기본 SeqNet 모델 대비 0.014 향상되었다.
• 후처리 단계는 신뢰도가 높은 레이블을 구조적으로 유사한 이웃 세그먼트로 전파함으로써 잘못된 분류 오류를 효과적으로 감소시켰다.
• 전체 이미지, 중심선, 주요 혈관 영역을 포함한 여러 평가 마스크에서 높은 성능 유지를 유지했다.