[논문 리뷰] Regression and Learning with Pixel-wise Attention for Retinal Fundus Glaucoma Segmentation and Detection

Peng Liu, Ruogu Fang|arXiv (Cornell University)|2020. 01. 06.

Retinal Imaging and Analysis참고 문헌 9인용 수 5

한 줄 요약

이 논문은 광학성 및 동반 분할을 위한 X-Unet과 확장 컨볼루션 기반 분류기로 구성된 두 가지 딥러닝 모델을 제안하며, 정확도 향상을 위해 픽셀 단위의 주의 메커니즘과 회귀 기반 접근법을 사용한다. 분할을 평균 절대 오차 손실을 사용한 이미지 회귀로 간주하고, 압축-자극 블록과 아트로스 스페이셜 피라미드 풀링을 통합함으로써 REFUGE 챌린지에서 최신 기술 수준의 성능을 달성하였으며, 분할 분야에서 8위, 분류 분야에서 2위를 기록하였다.

ABSTRACT

Observing retinal fundus images by an ophthalmologist is a major diagnosis approach for glaucoma. However, it is still difficult to distinguish the features of the lesion solely through manual observations, especially, in glaucoma early phase. In this paper, we present two deep learning-based automated algorithms for glaucoma detection and optic disc and cup segmentation. We utilize the attention mechanism to learn pixel-wise features for accurate prediction. In particular, we present two convolutional neural networks that can focus on learning various pixel-wise level features. In addition, we develop several attention strategies to guide the networks to learn the important features that have a major impact on prediction accuracy. We evaluate our methods on the validation dataset and The proposed both tasks' solutions can achieve impressive results and outperform current state-of-the-art methods. extit{The code is available at \url{https://github.com/cswin/RLPA}}.

연구 동기 및 목표

• 다양한 영상 장치와 촬영 조건으로 인한 망막 후면도 영상의 높은 변동성 문제를 해결하기 위해.
• 픽셀 단위의 특징 학습을 통한 딥러닝을 활용해 녹내증 진단 및 광학성/동반 분할 정확도를 향상시키기 위해.
• 회귀 기반 분할과 주의 메커니즘을 통해 저수준의 픽셀 단위 특징에 집중하여 과적합 및 도메인 이동 문제를 해결하기 위해.
• 임상 환경에서 다양한 영상 품질과 해상도에 대해 일반화 가능한 강건한 모델을 개발하기 위해.

제안 방법

• 원시 픽셀 정보를 유지하고 과적합을 줄이기 위해 세 개의 입력 브랜치를 가진 다중 입력 U-Net 변종인 X-Unet을 제안한다.
• 전체적인 맥락에 기반해 채널 단위 특징을 동적으로 재조정함으로써 특징 표현을 향상시키기 위해 압축-자극 블록을 통합한다.
• 픽셀 단위의 분류 대신 평균 절대 오차(MAE) 손실을 사용한 이미지 회귀로 분할을 간주함으로써 저수준의 픽셀 단위 특징을 유지한다.
• 공간 해상도를 유지하면서 다중 척도의 맥락적 특징을 추출하기 위해 수정된 DeepLab+3 아키텍처에 아트로스 컨볼루션과 ASPP를 활용한다.
• 특징 맵을 녹내증 위험 확률로 변환하기 위해 전역 평균 풀링과 완전 연결층을 사용한다.
• 데이터 증강(회전, 반전)과 DE-Net을 사용한 ROI 자르기를 적용하여 입력 패치를 표준화하고 일반화 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 MAE 손실을 사용한 이미지 회귀로 간주하는 분할 방식이 기존 분류 방식에 비해 픽셀 단위 정확도를 향상시키는가?
• RQ2 압축-자극 블록과 같은 주의 메커니즘이 녹내증 분할을 위한 특징 표현 향상에 얼마나 효과적인가?
• RQ3 아트로스 컨볼루션과 ASPP를 통한 다중 척도 특징 추출이 품질이 다양하게 변하는 후면도 영상에서 녹내증 분류 성능 향상에 기여하는가?
• RQ4 다중 입력 아키텍처와 ROI 자르기 방식이 훈련 데이터와 검증 데이터 간 도메인 이동 문제를 어느 정도 줄이는가?

주요 결과

• 검증 세트에서 분할 모델은 평균 광학성 Cup Dice 스코어 0.8498과 평균 광학성 Disc Dice 스코어 0.9433을 기록하였으며, REFUGE 챌린지에서 8위를 기록하였다.
• 분류 모델은 검증 세트에서 AUC 0.9708과 민감도 0.95를 기록하였으며, 챌린지에서 2위를 기록하였다.
• 훈련 세트의 AUC는 1.0에 도달했고 민감도는 100%였으며, 이는 잠재적인 과적합을 시사하지만, 신중한 데이터 전처리와 모델 앙상블로 이를 완화하였다.
• MAE 손실을 사용한 회귀 기반 분할 방식은 저수준의 픽셀 특징을 유지하고 기존 분류 방식에 비해 예측 정확도를 향상시켰다.
• 압축-자극 블록의 통합은 전체 맥락에 기반해 정보가 풍부한 채널을 선택적으로 증폭함으로써 특징 학습을 향상시켰다.
• DE-Net을 사용한 ROI 자르기와 다중 척도 입력 리사이징은 훈련 이미지와 검증 이미지 간 변동성을 줄여 모델의 강건성을 향상시켰다.