[논문 리뷰] SA-UNet: Spatial Attention U-Net for Retinal Vessel Segmentation

Changlu Guo, Márton Szemenyei외 4명|arXiv (Cornell University)|2020. 04. 07.

Retinal Imaging and Analysis참고 문헌 16인용 수 37

한 줄 요약

SA-UNet은 구조화된 드롭아웃이 적용된 경량 공간 주의 U-Net을 도입하여 망막 혈관 분할을 개선하고, 데이터 효율적인 학습으로 DRIVE 및 CHASE_DB1에서 최첨단 성능을 달성합니다.

ABSTRACT

The precise segmentation of retinal blood vessels is of great significance for early diagnosis of eye-related diseases such as diabetes and hypertension. In this work, we propose a lightweight network named Spatial Attention U-Net (SA-UNet) that does not require thousands of annotated training samples and can be utilized in a data augmentation manner to use the available annotated samples more efficiently. SA-UNet introduces a spatial attention module which infers the attention map along the spatial dimension, and multiplies the attention map by the input feature map for adaptive feature refinement. In addition, the proposed network employs structured dropout convolutional blocks instead of the original convolutional blocks of U-Net to prevent the network from overfitting. We evaluate SA-UNet based on two benchmark retinal datasets: the Vascular Extraction (DRIVE) dataset and the Child Heart and Health Study (CHASE_DB1) dataset. The results show that the proposed SA-UNet achieves state-of-the-art performance on both datasets.The implementation and the trained networks are available on Github1.

연구 동기 및 목표

• 눈 질환의 조기 진단을 위한 정확한 망막 혈관 분할의 필요성을 제기한다.
• 제한된 주석 데이터에서도 잘 작동하는 경량 네트워크(SA-UNet)를 제안한다.
• 적응형 특징 보정을 위한 공간 주의 메커니즘을 도입한다.
• 과적합을 줄이기 위해 구조화된 드롭아웃 블록을 사용한다.
• DRIVE와 CHASE_DB1 데이터셋에서 평가하고 코드 접근을 제공한다.

제안 방법

• 공간 차원을 따라 주의 맵을 추정하고 이를 입력 특성 맵과 곱해 보정을 수행하는 공간 주의 모듈을 도입한다.
• 일반 합성곱 블록을 구조화된 드롭아웃 합성곱 블록으로 대체하여 과적합을 완화한다.
• 제한된 주석 샘플의 효율적인 활용을 위해 데이터 증강을 활용한다.
• 망막 혈관 분할에 적합한 경량 아키텍처로 SA-UNet을 설계한다.
• DRIVE와 CHASE_DB1에서 평가하여 기존 방법과의 성능 벤치마크를 수행한다.
• 실행 코드와 학습된 네트워크를 GitHub에 제공한다.

실험 결과

연구 질문

• RQ1 공간 주의 메커니즘이 망막 혈관에서의 특징 보정 및 분할 정확도에 어떤 영향을 미치는가?
• RQ2 제한된 주석 샘플로도 경량이고 데이터 효율적인 네트워크가 최첨단 결과를 달성할 수 있는가?
• RQ3 구조화된 드롭아웃이 망막 혈관 분할 작업에서 과적합을 방지하는 데 도움이 되는가?
• RQ4 적은 데이터셋에서 데이터 증강 전략이 성능에 미치는 영향은 무엇인가?

주요 결과

• SA-UNet은 DRIVE 및 CHASE_DB1 데이터세트에서 최첨단 성능을 달성한다.
• 공간 주의 모듈은 공간 주의 맵으로 입력 특징 맵의 가중치를 조정하여 적응적 보정을 가능하게 한다.
• 구조화된 드롭아웃 합성곱 블록이 네트워크의 과적합 완화에 도움을 준다.
• 이 접근 방식은 경량이며 제한된 주석 데이터로 작동하도록 설계되었고 증강을 통해 효율성을 향상시킨다.
• 구현 및 학습된 네트워크는 GitHub에 제공된다.