[논문 리뷰] Retinal Optic Disc Segmentation using Conditional Generative Adversarial Network

Vivek Kumar Singh, Hatem A. Rashwan외 8명|arXiv (Cornell University)|2018. 06. 11.

Retinal Imaging and Analysis참고 문헌 10인용 수 19

한 줄 요약

이 논문은 U-Net 유사 인코더-디코더 생성기와 스킵 연결, 그리고 분류기로 구성된 조건부 생성 적대 신경망(cGAN)을 제안하여 망막 시신경두 분할을 수행한다. 이는 경계 정확도를 향상시키기 위한 것이다. 이 방법은 최신 기술 수준(SOTA)의 성능을 달성하여 DRISHTI GS1에서 Jaccard 지수 0.96, RIM-ONE에서 0.93을 기록하였고, 각각 Dice 점수는 0.97과 0.98을 기록하였다. 또한 현대 GPU에서 이미지 분할을 1초 이내로 수행한다.

ABSTRACT

This paper proposed a retinal image segmentation method based on conditional Generative Adversarial Network (cGAN) to segment optic disc. The proposed model consists of two successive networks: generator and discriminator. The generator learns to map information from the observing input (i.e., retinal fundus color image), to the output (i.e., binary mask). Then, the discriminator learns as a loss function to train this mapping by comparing the ground-truth and the predicted output with observing the input image as a condition.Experiments were performed on two publicly available dataset; DRISHTI GS1 and RIM-ONE. The proposed model outperformed state-of-the-art-methods by achieving around 0.96% and 0.98% of Jaccard and Dice coefficients, respectively. Moreover, an image segmentation is performed in less than a second on recent GPU.

연구 동기 및 목표

• 망막 망막도 상 이미지에서 시신경두를 정확하고 효율적으로 분할하기 위한 딥러닝 기반 방법을 개발하는 것.
• 녹내증 및 기타 망막 질환 진단에 핵심적인 시신경두 경계 정확한 검출 문제를 해결하는 것.
• 입력 망막도 상 이미지로부터 현실적인 질감과 구조적 특징을 학습함으로써 분할 품질을 향상시키기 위해 조건부 GAN을 활용하는 것.
• 다양한 데이터셋에서 분할 정확도와 강인성 면에서 기존 최신 기술 수준의 방법들을 능가하는 것.
• 현대 GPU 하드웨어를 활용하여 임상 적용에 적합한 실시간 추론을 가능하게 하는 것.

제안 방법

• 제안된 프레임워크는 인코더-디코더 아키텍처를 기반으로 한 생성기 네트워크를 포함하는 조건부 GAN을 사용하며, 배치 정규화와 LeakyReLU 활성화 함수를 적용한다.
• 스킵 연결을 대응하는 인코더 및 디코더 레이어 간에 구현하여 공간적 세부 정보를 유지하고 특징 학습을 향상시킨다.
• 생성기는 입력 망막도 상 이미지를 변환된 컬러링(convolution)을 사용하여 업샘플링하고, 최종 레이어에서 시그모이드 활성화 함수를 사용하여 이진 시신경두 분할 마스크를 생성한다.
• 분류기 네트워크는 입력 이미지 조건 하에 생성된 분할 마스크가 진짜 마스크와 얼마나 유사한지 평가하여 현실성을 평가한다.
• 전반적인 학습 목표는 이진 교차 엔트로피 손실과 적대적 손실을 조합하여 생성기가 진짜 마스크와 구별되지 않는 마스크를 생성하도록 유도한다.
• 모델은 표준 데이터 증강 및 최적화 기법을 사용하여 두 개의 공개 데이터셋인 DRISHTI GS1과 RIM-ONE에서 엔드 투 엔드로 학습된다.

실험 결과

연구 질문

• RQ1 기존 딥러닝 방법들과 비교해 조건부 GAN 프레임워크가 더 뛰어난 시신경두 분할 성능을 달성할 수 있는가?
• RQ2 적대적 학습과 스킵 연결의 포함 여부가 분할 정확도와 경계 정밀도에 어떤 영향을 미치는가?
• RQ3 제안된 cGAN이 다양한 이미지 품질과 시신경두 외형을 가진 다양한 망막 이미지 데이터셋에 얼마나 잘 일반화되는가?
• RQ4 고정밀도를 유지하면서도 실시간 임상 응용에 적합한 추론 속도를 달성할 수 있는가?
• RQ5 적대적 구성 요소가 시신경두의 미세한 구조적 세부 정보 학습 능력을 향상시키는가?

주요 결과

• 제안된 cGAN 모델은 DRISHTI GS1 데이터셋에서 Jaccard 지수 0.96과 Dice 계수 0.97을 기록하여 모든 베이스라인 방법을 능가했다.
• RIM-ONE 데이터셋에서는 Jaccard 지수 0.93과 Dice 계수 0.98을 기록하여 데이터셋 간 강력한 일반화 능력을 보였다.
• DRISHTI GS1에서 정확도 0.98, 민감도 0.98, 특이도 0.99를 기록하여 높은 전체 분할 신뢰도를 나타냈다.
• 현대 GPU에서 이미지당 추론 시간이 1초 이내였으며, 실시간 가능성을 확인했다.
• 그림 4의 정성적 결과는 cGAN이 생성한 마스크가 정답 마스크와 유사하게 날카우며 정확한 경계를 가지며, FCN, SegNet, U-Net을 능가함을 보여주었다.
• 정량적 지표와 시각적 품질 면에서 모두 U-Net 및 Shankaranarayana 등과 Zilly 등이 제안한 최신 기술 수준의 방법들을 능가했다.