[논문 리뷰] Retinal Vessel Segmentation Based on Conditional Deep Convolutional Generative Adversarial Networks

Yun Jiang, Ning Tan|arXiv (Cornell University)|2018. 05. 11.

Retinal Imaging and Analysis참고 문헌 22인용 수 3

한 줄 요약

이 논문은 레티나 혈관 분할을 위해 잔차 기반 생성기와 함께 조건부 딥 컨volution 제너레이티브 적대적 네트워크(cDC-GAN)를 제안하며, 스위프 연결, 채널 절반으로 줄이는 컨볼루션, 잔차 학습을 통해 민감도와 정확도를 향상시킨다. DRIVE 및 STARE 데이터셋에서 각각 96.08%의 정확도, 82.74%의 민감도, 82.08%의 F-measure를 기록하여 R2U-Net보다 민감도에서 4.82% 높게 성능을 냈다.

ABSTRACT

The segmentation of retinal vessels is of significance for doctors to diagnose the fundus diseases. However, existing methods have various problems in the segmentation of the retinal vessels, such as insufficient segmentation of retinal vessels, weak anti-noise interference ability, and sensitivity to lesions, etc. Aiming to the shortcomings of existed methods, this paper proposes the use of conditional deep convolutional generative adversarial networks to segment the retinal vessels. We mainly improve the network structure of the generator. The introduction of the residual module at the convolutional layer for residual learning makes the network structure sensitive to changes in the output, as to better adjust the weight of the generator. In order to reduce the number of parameters and calculations, using a small convolution to halve the number of channels in the input signature before using a large convolution kernel. By used skip connection to connect the output of the convolutional layer with the output of the deconvolution layer to avoid low-level information sharing. By verifying the method on the DRIVE and STARE datasets, the segmentation accuracy rate is 96.08% and 97.71%, the sensitivity reaches 82.74% and 85.34% respectively, and the F-measure reaches 82.08% and 85.02% respectively. The sensitivity is 4.82% and 2.4% higher than that of R2U-Net.

연구 동기 및 목표

• 기존의 레티나 혈관 분할 방법의 한계, 즉 얇은 혈관에 대한 낮은 민감도와 노이즈에 대한 취약성을 해결하기 위해.
• 병변이 있는 낮은 대비의 혈관을 포함한 도전적인 레티나 이미지에서의 분할 성능 향상.
• 생성기 내 컨볼루션 연산을 최적화하여 모델 복잡도와 계산량을 감소시키기 위해.
• 생성기 아키텍처에서 잔차 및 스위프 연결을 통해 특징 학습과 기울기 흐름을 향상시키기 위해.

제안 방법

• 생성기는 컨볼루션 레이어에 잔차 모듈을 적용하여 잔차 학습을 가능하게 하고 출력 변화에 대한 민감도를 향상시킨다.
• 큰 커널 컨볼루션 전에 작은 컨볼루션 레이어를 사용하여 입력 채널 수를 절반으로 줄여 파라미터와 계산량을 감소시킨다.
• 컨볼루션 및 디컨볼루션 레이어의 출력을 연결하는 스위프 연결을 통해 저수준 특징을 유지하고 특징 전파를 향상시킨다.
• 조건부 GAN 프레임워크는 실제 레티나 이미지를 조건으로 사용하여 생성기가 정밀한 혈관 분할 마스크를 생성하도록 이끈다.
• 판별기는 실제와 생성된 분할 마스크를 구분하도록 훈련되어 예측의 현실성과 정확도를 향상시킨다.
• 전체 아키텍처는 적대적 손실을 사용하여 엔드 투 엔드로 훈련되며, 미세한 혈관 구조를 유지하는 데 주의를 기울인다.

실험 결과

연구 질문

• RQ1 잔차 학습을 갖춘 조건부 GAN이 레티나 혈관의 분할 정확도와 민감도 향상에 기여할 수 있는가?
• RQ2 컨볼루션 및 디컨볼루션 레이어 간의 스위프 연결 사용이 특징 유지와 분할 품질에 어떤 영향을 미치는가?
• RQ3 큰 커널 전에 작은 컨볼루션을 사용해 채널 수를 줄이는 것이 성능 저하 없이 계산 비용을 얼마나 줄일 수 있는가?
• RQ4 제안된 생성기 아키텍처가 R2U-Net과 같은 기존의 U-Net 변종보다 벤치마크 데이터셋에서 민감도와 F-measure 측면에서 뛰어난가?
• RQ5 이 방법은 레티나 풍부 이미지의 노이즈와 병변에 대해 얼마나 강건한가?

주요 결과

• 제안된 방법은 DRIVE 데이터셋에서 96.08%의 분할 정확도를 달성하여 기준 방법보다 뚜렷이 향상되었다.
• DRIVE에서 민감도는 82.74%에 도달했으며, 이는 R2U-Net보다 4.82% 높아 얇고 흐린 혈관의 탐지 능력 향상을 시사한다.
• STARE 데이터셋에서는 97.71%의 정확도와 85.34%의 민감도를 기록하여 강력한 일반화 능력을 보였다.
• DRIVE에서 F-measure는 82.08%, STARE에서는 85.02%에 도달하여 정밀도와 재현율 사이의 균형 잡힌 성능을 확인했다.
• 채널 절반으로 줄이는 컨볼루션을 통해 모델의 파라미터 수와 계산 부담을 감소시켜 성능 저하 없이 효율성을 향상시켰다.
• 스위프 연결과 잔차 모듈의 사용은 특징 학습과 기울기 흐름을 향상시켜 더 안정적이고 정확한 훈련을 이끌었다.