[논문 리뷰] Retinal Vessel Segmentation in Fundoscopic Images with Generative Adversarial Networks

Jaemin Son, Sang Jun Park외 1명|arXiv (Cornell University)|2017. 06. 28.

Retinal Imaging and Analysis참고 문헌 2인용 수 151

한 줄 요약

이 논문은 GAN 기반 분할(V-GAN)을 사용해 펀더스 영상에서 망막 혈관 맵을 선명하게 만들고 DRIVE 및 STARE 데이터셋에서 최첨단 성능을 달성합니다.

ABSTRACT

Retinal vessel segmentation is an indispensable step for automatic detection of retinal diseases with fundoscopic images. Though many approaches have been proposed, existing methods tend to miss fine vessels or allow false positives at terminal branches. Let alone under-segmentation, over-segmentation is also problematic when quantitative studies need to measure the precise width of vessels. In this paper, we present a method that generates the precise map of retinal vessels using generative adversarial training. Our methods achieve dice coefficient of 0.829 on DRIVE dataset and 0.834 on STARE dataset which is the state-of-the-art performance on both datasets.

연구 동기 및 목표

• 자동 망막 혈관 분할을 통해 질병 탐지를 돕기 위한 동기 부여.
• 특히 미세 혈관에서 분할의 선명도를 향상시키고 거짓 양성/거짓 음성을 줄임.
• 망막 영상을 혈관 확률 맵으로 매핑하는 GAN 기반 프레임워크를 제안.
• 학습 중 현실적인 혈관 맵을 유도하기 위해 판별 네트워크를 도입.
• 공개 데이터셋(DRIVE, STARE)에서 기존 방법과의 비교 평가.

제안 방법

• 펀더스 영상 x를 같은 크기의 혈관 확률 맵 y로 매핑하는 생성기 G를 사용.
• 저레벨 특징을 보존하기 위해 스킵 연결된 U-Net 유사 생성기 사용.
• 출력의 현실성을 판단하기 위해 Pixel GAN, Patch GAN, Image GAN 등 다양한 판별기를 탐색.
• GAN 손실 L_GAN과 분할 손실 L_SEG를 λ로 균형 맞춰 결합된 목표로 학습(λ은 10으로 설정).
• Adam을 사용하고 고정 학습률 2e-4로 G* = argmin_G [max_D L_GAN(G,D)] + λ L_SEG(G) 최적화.
• 성능 평가를 ROC AUC, PR AUC, Dice 계수로 수행하고 Dice에 대해 Otsu 임계값으로 확률 맵을 이진화에 사용.

실험 결과

연구 질문

• RQ1 판별기를 도입하면 U-Net과 같은 비-GAN 베이스라인보다 분할 품질이 향상되는가?
• RQ2 가장 좋은 혈관 분할 성능을 내는 판별기 유형은 무엇인가(Pixel/Patch/Image)?
• RQ3 GAN 기반 분할이 DRIVE 및 STARE에서 기존 방법보다 Dice, ROC AUC, PR AUC를 높일 수 있는가?
• RQ4 공개 데이터셋에서 인간 전문가 주석과 비교하여 제안 방법은 어떠한 성능을 보이는가?

주요 결과

• V-GAN(Image GAN)은 DRIVE에서 Dice 0.829, STARE에서 0.834로 여러 선행 방법을 넘어섰다.
• V-GAN은 ROC AUC 0.9803(DRIVE) 및 0.9838(STARE), PR AUC 0.9149(DRIVE) 및 0.9167(STARE) 달성.
• DRIVE에서 V-GAN은 ROC AUC와 Dice에서 기존 최적 방법 DRIU를 능가하며 일부 지표에서 인간 전문가를도 상회한다.
• 더 높은 판별력을 가진 판별기(Image GAN)이 더 가벼운 변형보다 성능이 우수하다.
• 비-판별기 U-Net과 비교했을 때 GAN 기반 접근법이 분할 품질과 더 선명한 혈관 맵을 보여준다.