[논문 리뷰] Retinal Vessel Segmentation based on Fully Convolutional Networks

Zhengyuan Liu|arXiv (Cornell University)|2019. 11. 22.

Retinal Imaging and Analysis참고 문헌 19인용 수 8

한 줄 요약

이 논문은 U-Net과 LadderNet 아키텍처를 활용한 패치 기반 완전 컨volution 네트워크 방법을 제안하며, 패치 회전을 통한 데이터 증강 기법을 적용하여 망막 혈관 세분화를 수행한다. 제안된 방법은 DRIVE, STARE, CHASE_DB1 데이터셋에서 최신 기술 대비 뛰어난 성능을 기록하여 F1 점수, 정확도 및 AUC에서 승리하며, CHASE_DB1에서 LadderNet를 사용할 경우 최고 AUC 0.9805를 기록한다.

ABSTRACT

The morphological attributes of retinal vessels, such as length, width, tortuosity and branching pattern and angles, play an important role in diagnosis, screening, treatment, and evaluation of various cardiovascular and ophthalmologic diseases such as diabetes, hypertension and arteriosclerosis. The crucial step before extracting these morphological characteristics of retinal vessels from retinal fundus images is vessel segmentation. In this work, we propose a method for retinal vessel segmentation based on fully convolutional networks. Thousands of patches are extracted from each retinal image and then fed into the network, and data argumentation is applied by rotating extracted patches. Two architectures of fully convolutional networks, U-Net and LadderNet, are used for vessel segmentation. The performance of our method is evaluated on three public datasets: DRIVE, STARE, and CHASE\_DB1. Experimental results of our method show superior performance compared to recent state-of-the-art methods.

연구 동기 및 목표

• 심혈관 및 안과 질환 진단을 지원하기 위해 정확하고 자동화된 망막 혈관 세분화 방법을 개발하기 위해.
• 특히 얇거나 굽은 혈관의 경우 시간이 많이 소요되고 오류가 발생하기 쉬운 수동 세분화의 한계를 극복하기 위해.
• 효과적인 데이터 증강을 활용한 완전 컨볼루션 네트워크를 통해 딥 러닝을 활용해 세분화 성능을 향상시키기 위해.
• 다양한 공개 망막 영상 데이터셋에서 제안된 방법을 평가하여 강건성과 일반화 능력을 확보하기 위해.

제안 방법

• 망막 녹내람 영상이 사전 처리되고 작은 패치로 분할되어 네트워크에 입력되며, 이는 고해상도 영상에서의 효율적인 학습 및 추론을 가능하게 한다.
• 추출된 패치를 회전시켜 데이터 증강을 적용함으로써 학습 다양성을 증가시키고 모델의 일반화 능력을 향상시킨다.
• 스킵 연결을 통해 공간적 세부 정보를 유지하는 두 가지 완전 컨볼루션 네트워크 아키텍처—U-Net과 LadderNet—를 사용하여 엔드 투 엔드 혈관 세분화를 수행한다.
• 네트워크는 각 패치에 대해 확률 맵을 출력하며, 이를 0.5로 임계값 설정하여 이진 세분화 마스크를 생성한다.
• 중첩 영역이 있는 패치들이 평균화되어 전체 영상의 세분화 마스크로 재구성되며, 경계 아티팩트를 줄이는 데 기여한다.
• 표준 평가 지표를 사용하여 평가를 수행한다: F1 점수, 민감도(Sn), 특이도(Sp), 정확도(Acc), ROC 곡선 아래 면적(AUC).

실험 결과

연구 질문

• RQ1 회전을 통한 데이터 증강을 적용한 패치 기반 완전 컨볼루션 네트워크가 최신 기술 대비 뛰어난 망막 혈관 세분화 성능을 달성할 수 있는가?
• RQ2 U-Net과 LadderNet 아키텍처는 다양한 데이터셋에서 미세하고 연결된 망막 혈관을 어떻게 세분화하는가?
• RQ3 패치 회전을 통한 데이터 증강이 제한된 학습 데이터에서 모델의 강건성과 일반화 능력을 얼마나 향상시키는가?
• RQ4 다양한 해상도, 병변 유병률, 시야 제약 조건을 가진 데이터셋에서 이 방법의 성능은 어떠한가?

주요 결과

• DRIVE 데이터셋에서 제안된 방법은 U-Net을 사용할 경우 F1 점수 0.8169, LadderNet를 사용할 경우 0.8219를 기록하여 이전 최신 기술을 초월한다.
• STARE 데이터셋에서 LadderNet 변종은 AUC 0.9805를 기록하여 표 3에 나열된 모든 방법 중 최고 성능을 기록한다.
• CHASE_DB1 데이터셋에서 LadderNet 모델은 AUC 0.9839를 기록하여 비교된 모든 다른 방법을 뛰어넘는다.
• U-Net 변종은 DRIVE에서 AUC 0.9794, STARE에서 0.9846를 기록하여 다양한 데이터셋에서 뛰어난 성능을 보였다.
• 모든 데이터셋에서 높은 특이도(Sp > 0.98)와 민감도(Sn > 0.77)를 보이며, 혈관 및 배경 픽셀 모두 신뢰성 있게 탐지함을 나타낸다.
• 강력한 성능에도 불구하고 얇고 끊어진 혈관은 여전히 도전 과제로 남아 있으며, 일부 경우에 세분화 결과에서 분할 및 연결성 부족 현상이 관찰된다.