[논문 리뷰] RV-GAN : Retinal Vessel Segmentation from Fundus Images using Multi-scale Generative Adversarial Networks.

Sharif Amit Kamran, Khondker Fariha Hossain외 4명|arXiv (Cornell University)|2021. 01. 03.

Retinal Imaging and Analysis참고 문헌 25인용 수 8

한 줄 요약

RV-GAN는 정밀한 망막 혈관 분할을 위해 두 개의 생성자와 두 개의 다중 척도 오토에코더 기반 판별자로 구성된 다중 척도 생성 적대적 네트워크를 제안한다. 재구성 손실과 가중 특징 매칭 손실을 결합하여 AUC 0.9887 (DRIVE), 0.9814 (CHASE-DB1), 0.9887 (STARE)의 최신 기술 수준 성능을 달성하며, AUC, 평균 IOU, SSIM 측면에서 이전 방법들을 능가한다.

ABSTRACT

Retinal vessel segmentation contributes significantly to the domain of retinal image analysis for the diagnosis of vision-threatening diseases. With existing techniques the generated segmentation result deteriorates when thresholded with higher confidence value. To alleviate from this, we propose RVGAN, a new multi-scale generative architecture for accurate retinal vessel segmentation. Our architecture uses two generators and two multi-scale autoencoder based discriminators, for better microvessel localization and segmentation. By combining reconstruction and weighted feature matching loss, our adversarial training scheme generates highly accurate pixel-wise segmentation of retinal vessels with threshold >= 0.5. The architecture achieves AUC of 0.9887, 0.9814, and 0.9887 on three publicly available datasets, namely DRIVE, CHASE-DB1, and STARE, respectively. Additionally, RV-GAN outperforms other architectures in two additional relevant metrics, Mean-IOU and SSIM.

연구 동기 및 목표

• 망막 혈관 분할에서 고신뢰도 임계값을 사용할 경우 발생하는 정확도 저하 문제를 해결하기 위해.
• 망막 망막도 영상에서 미세 혈관의 국소화 및 픽셀 수준 정밀도를 향상시키기 위해.
• 다양한 혈관 척도에서 특징 표현을 향상시키는 다중 척도 생성 아키텍처를 개발하기 위해.
• 분할 정확도 및 구조 유사도 지표에서 기존 방법들을 능가하기 위해.
• 재구성 손실과 가중 특징 매칭 손실을 통합하여 더 안정적인 적대적 훈련과 높은 출력 충실도를 확보하기 위해.

제안 방법

• 아키텍처는 다중 척도 분할 예측을 향상시키기 위해 두 개의 생성자를 사용한다.
• 지역적 및 전반적인 이미지의 현실성과 구조 일관성을 평가하기 위해 두 개의 다중 척도 오토에코더 기반 판별자를 사용한다.
• 재구성 손실과 가중 특징 매칭 손실을 조합한 하이브리드 손실 함수를 통해 픽셀 수준 정확도와 특징 수준 정렬을 향상시킨다.
• 임계값 ≥ 0.5에서 고신뢰도 분할 출력을 생성하도록 적대적 훈련 기법을 최적화한다.
• 세 개의 공개 데이터셋인 DRIVE, CHASE-DB1, STARE에서 엔드 투 엔드로 모델을 훈련시킨다.
• 세부 혈관 구조 강조 및 임의 경고 감소를 위해 특징 매칭 손실에 가중치를 부여한다.

실험 결과

연구 질문

• RQ1 다중 척도 GAN 아키텍처는 고신뢰도 임계값에서 망막 혈관 분할 정확도를 향상시킬 수 있는가?
• RQ2 재구성 손실과 가중 특징 매칭 손실의 통합은 망막 영상의 분할 충실도에 어떤 영향을 미치는가?
• RQ3 다중 척도 판별자는 단일 척도 대비 미세 혈관 국소화에 얼마나 기여하는가?
• RQ4 제안된 아키텍처는 AUC 및 구조 유사도 지표에서 기존 최신 기술 수준 방법들을 능가하는가?
• RQ5 모델은 다양한 이미징 조건을 가진 다양한 망막 망막도 영상 데이터셋에 효과적으로 일반화 가능한가?

주요 결과

• RV-GAN는 DRIVE 데이터셋에서 AUC 0.9887을 기록하여 뛰어난 분류 성능를 보였다.
• CHASE-DB1 데이터셋에서 모델은 AUC 0.9814를 달성하여 소형 혈관 영역에서 강력한 일반화 능력을 입증했다.
• STARE 데이터셋에서 모델은 AUC 0.9887을 기록하여 다양한 망막 해부학적 구조에서 높은 정확도를 확인했다.
• RV-GAN는 평균 IOU 측면에서 기존 아키텍처를 능가하여 예측된 혈관 영역과 진짜 혈관 영역 간의 겹침이 향상됨을 보였다.
• 모델는 더 높은 SSIM 값을 기록하여 분할 출력에서 더 나은 구조 보존 능력을 반영했다.
• 재구성 손실과 가중 특징 매칭 손실의 조합은 임계값 ≥ 0.5에서 픽셀 수준 분할 정확도를 크게 향상시켰다.