[논문 리뷰] Relation Networks for Optic Disc and Fovea Localization in Retinal Images

Sudharshan Chandra Babu, Shishira R Maiya외 1명|arXiv (Cornell University)|2018. 11. 23.

Retinal Imaging and Analysis참고 문헌 14인용 수 12

한 줄 요약

이 논문은 망막 영상에서 망막 중심과 황반을 동시에 검출하고 국소화하기 위해 기하학적 및 외관적 관계를 모델링하는 관계 네트워크 기반 프레임워크를 제안한다. 이로 인해 망막 중심과 황반 중심 국소화의 평균 유클리드 거리는 각각 26.12 픽셀과 43.46 픽셀을 기록하며, 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Diabetic Retinopathy is the leading cause of blindness in the world. At least 90\% of new cases can be reduced with proper treatment and monitoring of the eyes. However, scanning the entire population of patients is a difficult endeavor. Computer-aided diagnosis tools in retinal image analysis can make the process scalable and efficient. In this work, we focus on the problem of localizing the centers of the Optic disc and Fovea, a task crucial to the analysis of retinal scans. Current systems recognize the Optic disc and Fovea individually, without exploiting their relations during learning. We propose a novel approach to localizing the centers of the Optic disc and Fovea by simultaneously processing them and modeling their relative geometry and appearance. We show that our approach improves localization and recognition by incorporating object-object relations efficiently, and achieves highly competitive results.

연구 동기 및 목표

• 망막 중심과 황반 중심의 국소화 정확도를 향상시키기 위해 그들 간의 내재된 기하학적 및 외관적 관계를 모델링하는 것.
• 기존 방법이 공간 상 상관관계를 고려하지 않고 망막 중심과 황반을 별도로 검출하는 데서 비롯되는 한계를 해결하는 것.
• 관계 인식 객체 검출과 좌표 회귀 헤드를 조합한 다단계 프레임워크를 개발하여 정밀한 국소화를 달성하는 것.
• 해부학적 구조가 공간적으로 관련되어 있는 의료 영상 작업에서 관계 기반 추론의 일반화 능력을 입증하는 것.

제안 방법

• 기하학적 구조와 외관을 모델링하는 주목적 기반의 물체 관계를 포함한 ResNet-101 백본을 사용한 관계 네트워크를 활용하여 망막 중심과 황반을 동시에 검출한다.
• 관계 모듈에 기하학적 가중치 성분을 도입하여 물체 간의 상대적 공간 위치에 집중함으로써 이동 및 회전 불변성을 확보한다.
• 이중 단계 파이프라인을 사용한다: 첫 번째 단계에서는 관계 네트워크가 두 구조물의 바운딩 박스를 예측하고, 두 번째 단계에서는 이 박스에서 잘라낸 이미지를 두 층의 CNN 회귀기(배치 정규화 포함)에 입력한다.
• 기존의 NMS를 경량 관계 모듈로 대체하여 중복 박스 억제 성능을 향상시키고 검출의 견고성을 높인다.
• 일반화 성능 향상을 위해 이동, 기울임, 확대/축소, 수평 반전 등의 데이터 증강 기법을 적용한다.
• 대trast 강화를 위해 CLAHE를 사용하고, 훈련을 위해 영상 크기를 512×512로 다운샘플링하며, 최종 예측 결과는 평가를 위해 원본 해상도(4288×2848)로 재스케일링한다.

실험 결과

연구 질문

• RQ1 망막 중심과 황반 간의 기하학적 및 외관적 관계를 모델링하면 망막 영상에서의 검출 및 국소화 정확도 향상에 기여하는가?
• RQ2 관계 네트워크를 통한 통합 추론 방식이 망막 중심과 황반을 별도로 검출하는 방식과 비교해 국소화 정밀도에서 어떻게 다를까?
• RQ3 직접 좌표 회귀를 위한 ResNet-18 및 ResNet-50 기반의 기준 모델과 비교했을 때, 물체 간 관계를 통합적으로 고려함으로써 국소화 오차는 어느 정도 감소하는가?
• RQ4 제안된 방법은 다양한 영상 품질과 해부학적 변동성이 존재하는 실제 망막 영상 데이터셋에 일반화될 수 있는가?

주요 결과

• 관계 네트워크 회귀기의 경우 IDRiD 테스트 세트에서 망막 중심 국소화의 평균 유클리드 거리가 26.12 픽셀, 황반 중심 국소화의 평균 유클리드 거리가 43.46 픽셀을 기록했다.
• 망막 중심 국소화에서 ResNet-18(80.48 px) 및 ResNet-50(60.32 px) 기준 모델보다 성능이 뛰어나 관계 기반 추론의 유용성을 입증했다.
• 관계 네트워크는 IoU 임계치 50:95에서 평균 정밀도(mAP) 69.4를 달성하여 강력한 검출 성능을 보였다.
• IDRiD 국소화 챌린지 랭킹에서 매우 경쟁력 있는 성과를 기록했으며, 황반 중심 국소화에서 1위 성과(45.89 px)를 기록한 기존 1위 방법보다도 우수한 성능(43.46 px)을 보였다.
• 관계 모듈의 사용은 망막 중심과 황반 간의 통합 추론을 가능하게 하여 가짜 양성(false positives)을 감소시키고 국소화 일관성을 향상시켰다.
• 관계 모듈의 분석 결과, 독립적인 검출 방식에 비해 공간적 관계를 모델링함으로써 인식 성능이 크게 향상됨을 확인했다.