[논문 리뷰] Multi-scale Neural Networks for Retinal Blood Vessels Segmentation

Boheng Zhang, Shenglei Huang외 1명|arXiv (Cornell University)|2018. 04. 11.

Retinal Imaging and Analysis참고 문헌 11인용 수 14

한 줄 요약

이 논문은 다중 척도 컨볼루션 신경망을 제안하며, 아트로우스 컨볼루션을 활용해 저수준 및 고수준 특징을 융합하여 망막 혈관 세분화 성능을 햖थ다. 이 방법은 DRIVE, STARE, CHASE 데이터베이스에서 최신 기술 수준(SOTA) 성능을 달성하여 정확도, 민감도, 특이도, AUC 및 테스트 속도 측면에서 기존 방법을 능가하며, 이미지당 최대 3초의 속도를 기록한다.

ABSTRACT

Existing supervised approaches didn't make use of the low-level features which are actually effective to this task. And another deficiency is that they didn't consider the relation between pixels, which means effective features are not extracted. In this paper, we proposed a novel convolutional neural network which make sufficient use of low-level features together with high-level features and involves atrous convolution to get multi-scale features which should be considered as effective features. Our model is tested on three standard benchmarks - DRIVE, STARE, and CHASE databases. The results presents that our model significantly outperforms existing approaches in terms of accuracy, sensitivity, specificity, the area under the ROC curve and the highest prediction speed. Our work provides evidence of the power of wide and deep neural networks in retinal blood vessels segmentation task which could be applied on other medical images tasks.

연구 동기 및 목표

• 기존의 감독 학습 기반 망막 혈관 세분화 모델에서 저수준 특징의 활용이 부족한 문제를 해결하기 위해.
• 아트로우스 컨볼루션을 통해 다중 척도의 맥락을 통합함으로써 특징 표현을 향상시키기 위해.
• 스킵 연결을 통해 저수준 특징과 고수준 의미적 특징을 융합함으로써 세분화 성능을 향상시키기 위해.
• 실시간 임상 적용을 위한 높은 정확도와 빠른 추론 속도를 달성하기 위해.
• 병변, 중심 혈관 반사, 저대비 미소혈관 등의 도전적인 조건 하에서의 강인성 평가를 위해.

제안 방법

• 과적합을 줄이고 엔드 투 엔드 학습을 가능하게 하기 위해 패치 기반의 완전 컨볼루션 신경망을 사용한다.
• 공간 해상도를 감소시키지 않고도 다중 척도의 맥락적 특징을 추출하기 위해 아트로우스 컨볼루션을 적용한다.
• 크로스 레이어 스킵 연결을 통해 저수준 특징(예: 에지, 텍스처)과 고수준 의미적 특징을 통합한다.
• 이미지 전처리에는 향상된 자동 색상 강조, 전역 대비 정규화, 데이터 증강 기법이 포함된다.
• 이미지에 대한 이진 교차 엔트로피 손실을 사용하여 애너테이션된 망막 이미지 기반으로 감독 학습을 수행한다.
• 속도-정확도 트레이드오프를 평가하기 위해 모델 변종(SP-1, SP-32, SP-64)을 평가한다.

실험 결과

연구 질문

• RQ1 저수준 및 고수준 특징을 융합하면 망막 혈관 세분화 성능이 향상되는가?
• RQ2 아트로우스 컨볼루션을 통한 다중 척도 특징 추출이 세분화 정확도와 강인성을 향상시키는가?
• RQ3 제안된 방법은 정확도를 희생시키지 않고도 높은 추론 속도를 달성할 수 있는가?
• RQ4 병변 및 저대비 혈관과 같은 도전적인 조건 하에서 모델의 성능은 어떠한가?
• RQ5 스킵 연결과 패치 기반 학습의 사용이 과적합을 줄이고 일반화 능력을 향상시키는가?

주요 결과

• DRIVE 데이터셋에서 모델은 수신기 작동 특성 곡선 아래 면적(AUC)이 98.94%를 기록하여 이전 최신 기술 수준 방법을 능가한다.
• STARE 데이터셋에서 모델은 AUC 98.73%를 달성하여 기존 방법을 초월했으며, 민감도는 0.7726, 특이도는 0.9844를 기록했다.
• CHASE 데이터베이스에서 모델은 AUC 98.65%를 기록하여 Fraz 등(97.60%)과 Li 등(97.45%)의 성능을 초월했다.
• 모델은 이미지당 단 3초의 테스트 속도를 기록했으며, 최고의 비감독 방법보다 7초 빠르고, 최고의 감독 방법보다 87초나 빠르다.
• 병변, 중심 혈관 반사, 저대비 미소혈관 조건 하에서도 정확한 분류를 보이며 강인성을 입증했다.
• SP-1, SP-32, SP-64 변종은 거의 동일한 성능를 보이며, 고속도 정확도에 영향을 주지 않음을 확인했다.