[논문 리뷰] Vesselness via Multiple Scale Orientation Scores

Julius Hannink, Remco Duits외 1명|arXiv (Cornell University)|2014. 02. 20.

Retinal Imaging and Analysis참고 문헌 12인용 수 7

한 줄 요약

이 논문은 $SIM(2)$ 군(회전, 이동, 스케일링)에서의 역행성 스케일-방향성 점수를 기반으로 한 다중 척도 혈관성 필터를 제안한다. 이는 방향성 공간에서 이미지 구조를 분석함으로써 교차 및 분지하는 혈관을 분리한다. 기존의 다중 척도 Frangi 필터보다 교차 부위의 혈관 강조 성능이 뛰어나며, 녹내장 환자에서 민감도가 0.641로 높고, HRF 망막 영상 데이터셋에서 정확도가 0.960에 이르며, 임계값 변화에 대한 내성도 향상되었다.

ABSTRACT

The multi-scale Frangi vesselness filter is an established tool in (retinal) vascular imaging. However, it cannot cope with crossings or bifurcations, since it only looks for elongated structures. Therefore, we disentangle crossing structures in the image via (multiple scale) invertible orientation scores. The described vesselness filter via scale-orientation scores performs considerably better at enhancing vessels throughout crossings and bifurcations than the Frangi version. Both methods are evaluated on a public dataset. Performance is measured by comparing ground truth data to the segmentation results obtained by basic thresholding and morphological component analysis of the filtered images.

연구 동기 및 목표

• 다중 척도 Frangi 혈관성 필터가 길쭉한 구조 탐지에 의존함으로써 교차 및 분지 부위의 혈관 강조에 한계가 있음을 해결하기 위해.
• 역행성 방향성 점수를 $SE(2)$ 및 $SIM(2)$ 군에서 활용하여 복잡한 영역에서 혈관 구조를 유지하는 혈관성 필터링 방법을 개발하기 위해.
• 필터링 과정을 척도-방향성 도메인으로 변환함으로써 겹치는 혈관 구조를 더 잘 분리할 수 있도록 하여 망막 혈관 세분화 성능을 향상시키기 위해.
• 공개된 HRF 망막 영상 데이터셋에서 제안된 방법을 정량적으로 평가하여, 민감도, 특이도, 정확도 측면에서 Frangi 필터 및 기존 세분화 방법과 비교하기 위해.

제안 방법

• 입력 영상 $f$ 와 이방향 웨이브릿 $\psi$ 의 상관관계를 통해 역행성 방향성 점수 $U_f$ 를 구성함으로써, 점수 도메인에서 정확한 영상 재구성을 가능하게 한다.
• 방향성 점수 도메인은 교차 및 분지 혈관을 별도의 방향성 층으로 분리하여, 방향성 공간에서 국소적 혈관성 필터링을 가능하게 한다.
• 다중 척도 혈관성 필터는 척도-방향성 점수에 $\mathcal{V}_0^{\vec{a},\vec{b},\vec{c}}$ 필터를 적용하고 $L^\infty$-노름을 사용한 정규화를 통해 결과를 재결합함으로써 $SIM(2)$ 군으로 일반화된다.
• 게이지 프레임을 사용하여 국소 혈관 방향에 맞추어 정렬함으로써, 점수 도메인 내 길쭉한 구조와의 정렬도 향상된다.
• 역행성 푸리에 변환과 안정성 유지 웨이브릿 설계(케이크 웨이브릿)를 사용하여 영상 재구성을 수행함으로써 $M_\psi \approx 1$ 를 보장한다.
• 세분화는 적응형 임계값 처리와 크기 및 연장성 제약 조건을 적용한 형태학적 성분 분석을 통해 수행되어 혈관 지도를 정밀하게 보완한다.

실험 결과

연구 질문

• RQ1 다중 척도 Frangi 필터보다 $SIM(2)$-불변 방향성 점수 도메인에서의 혈관성 필터링이 교차 및 분지 부위의 혈관 강조에 더 효과적인가?
• RQ2 방향성 점수 도메인에서 게이지 프레임을 사용할 경우, 표준 방향 기반 필터링 대비 혈관성 필터링 성능 향상 정도는 어떠한가?
• RQ3 제안된 방법이 복잡한 혈관 구조를 가진 망막 영상에서 세분화 정확도와 민감도 향상에 얼마나 기여하는가?
• RQ4 Frangi 필터에 비해 세분화 파이프라인에서 임계값 변화에 대한 방법의 내성은 어떠한가?

주요 결과

• 게이지 프레임($\mathcal{V}^{\vec{a},\vec{b},\vec{c}}$)을 사용한 제안된 방법은 녹내장 그룹에서 0.641의 최고 민감도를 기록하여 Frangi 필터를 초월하였다.
• HRF 데이터셋에서, 건강한 경우 평균 정확도 0.969, 당뇨성 망막병변 환자에서 0.953, 녹내장 환자에서 0.960을 기록하였다(임계값 $t=0.05$ 기준).
• 임계값 변화에 대한 내성이 뛰어나, 다양한 $t$ 값에서 성능 곡선의 신뢰구간이 좁게 유지되어 안정성이 높다는 것이 입증되었다.
• 당뇨성 망막병변 그룹에서 기존의 세분화 알고리즘을 모두 능가하여, 작은 혈관 및 복잡한 혈관망의 탐지 능력 향상을 보였다.
• 정성적 결과에서는 교차 및 분지 부위의 혈관 강조가 뚜렷했으며, 게이지 프레임 방법이 가장 정확하고 일관성 있는 혈관 지도를 생성하였다.
• $SIM(2)$-불변 방향성 점수의 사용은 겹치는 혈관 구조를 더 잘 분리시켜, 복잡한 영역에서의 혈관성 필터링 성능 향상에 기여하였다.