[논문 리뷰] REFUGE CHALLENGE 2018-Task 2:Deep Optic Disc and Cup Segmentation in Fundus Images Using U-Net and Multi-scale Feature Matching Networks

Vivek Kumar Singh, Hatem A. Rashwan외 5명|arXiv (Cornell University)|2018. 07. 30.

Retinal Imaging and Analysis참고 문헌 5인용 수 6

한 줄 요약

이 논문은 망막 후면도 영상에서 시신경판과 시신경구멍의 분할을 위한 이단계 딥러닝 프레임워크를 제안한다. U-Net 생성자와 다중 척도 특징 매칭 네트워크를 조합하여 딱지 손실을 사용해 경계 정확도를 향상시켰다. 제안된 방법은 REFUGE 챌린지 2018 검증 세트에서 시신경판에 대해 0.9340%의 딱지 계수를, 시신경구멍에 대해 0.8341%의 딱지 계수를 기록했으며, CDR의 MAE는 0.0605%로, 특징 수준의 감독을 통해 베이스라인 U-Net을 능가했다.

ABSTRACT

In this paper, an optic disc and cup segmentation method is proposed using U-Net followed by a multi-scale feature matching network. The proposed method targets task 2 of the REFUGE challenge 2018. In order to solve the segmentation problem of task 2, we firstly crop the input image using single shot multibox detector (SSD). The cropped image is then passed to an encoder-decoder network with skip connections also known as generator. Afterwards, both the ground truth and generated images are fed to a convolution neural network (CNN) to extract their multi-level features. A dice loss function is then used to match the features of the two images by minimizing the error at each layer. The aggregation of error from each layer is back-propagated through the generator network to enforce it to generate a segmented image closer to the ground truth. The CNN network improves the performance of the generator network without increasing the complexity of the model.

연구 동기 및 목표

• 저대비 망막 후면도 영상에서 시신경판과 시신경구멍의 분할 정확도를 향상시키기 위해, 이는 녹내증 및 기타 망막 질환 진단에 필수적이다.
• 유사한 픽셀 강도 분포로 인해 시신경판과 시신경구멍 사이의 경계가 모호한 문제를 해결하기 위해.
• 구분형 CNN을 사용해 다중 척도 특징 매칭을 도입함으로써 U-Net 성능을 향상시켜 분할 출력을 정교화하기 위해.
• 픽셀 수준과 특징 수준의 감독을 조합한 손실 함수를 통해 훈련 복잡도를 줄이고 분할 품질을 향상시키기 위해.

제안 방법

• 이 방법은 이단계 파이프라인을 사용한다: 먼저, 단일 셸터 다중박스 검출기(SSD)가 입력 망막 후면도 영상에서 시신경판과 시신경구멍 영역을 국소화한다.
• 자르낸 영역은 스케일 연결을 갖춘 U-Net 기반 생성자 네트워크에 공급되어 초기 분할 마스크를 생성한다.
• 별도의 CNN을 사용해 예측된 분할 결과와 진짜 값을 모두 다중 척도 특징을 추출하여 특징 수준 비교를 가능하게 한다.
• 다중 척도 특징 매칭(mfm) 손실은 CNN의 여러 층에서의 특징 맵 간 딱지 계수를 사용해 계산되며, 실제 특징과 예측 특징 간의 격차를 최소화한다.
• 총 손실은 mfm 손실과 표준 딱지 손실을 조합한 것으로, 하이퍼파rameter λ=150이 두 구성 요소를 균형 잡는다.
• 모델은 ADAM 옵timizer를 사용해 엔드 투 엔드로 훈련되며, 고정된 학습률 0.0002와 배치 크기 8을 사용해 10 에포크 동안 학습된다.

실험 결과

연구 질문

• RQ1 다중 척도 특징 매칭을 갖춘 U-Net 기반 생성자 네트워크는 표준 U-Net에 비해 시신경판과 시신경구멍의 분할 정확도를 향상시킬 수 있는가?
• RQ2 CNN 기반 특징 추출기를 통한 특징 수준 감독을 통합하면 저대비 망막 구조의 경계 정밀도가 향상되는가?
• RQ3 픽셀 수준과 다중 척도 특징 매칭 손실을 조합한 제안된 손실 함수는 제한된 의료 영상 데이터에서 과적합을 줄이고 일반화 성능을 향상시킬 수 있는가?
• RQ4 이중 단계 검출-분할 파이프라인(SSD + U-Net)은 REFUGE 챌린지 2018 데이터셋에서 분할 성능 향상에 얼마나 효과적인가?

주요 결과

• 제안된 방법은 REFUGE 챌린지 2018 검증 세트에서 시신경판 분할에 대해 0.9340%의 딱지 계수, 시신경구멍 분할에 대해 0.8341%의 딱지 계수를 기록했다.
• 모델은 곡선 대 시신경판 비율(CDR)에 대해 평균 절대 오차(MAE) 0.0605%를 기록하여 정량적 측정의 높은 일관성을 보였다.
• 복잡한 손실 함수에도 불구하고 모델은 단지 10개의 훈련 에포크 만으로 수렴했으며, 높은 훈련 효율성을 보였다.
• 다중 척도 특징 매칭 손실의 통합은 특히 시신경판과 시신경구멍 간 대비가 낮은 영역에서 경계 구분을 크게 향상시켰다.
• 사전 훈련된 SSD를 사용해 관심 영역을 자르는 것은 네트워크가 관련 해부학적 구조에 집중하도록 하여 특징 학습을 향상시켰다.
• 제거 실험을 통해 딱지 손실과 다중 척도 특징 매칭 손실의 조합이 개별 손실보다 우수한 성능을 내었으며, 하이브리드 손실 전략의 효과를 입증했다.