[논문 리뷰] A Fully Convolutional Neural Network based Structured Prediction Approach Towards the Retinal Vessel Segmentation

Avijit Dasgupta, Sonam Singh|arXiv (Cornell University)|2016. 11. 07.

Retinal Imaging and Analysis참고 문헌 11인용 수 6

한 줄 요약

이 논문은 다중 레이블 추론을 통해 인접 픽셀 간의 공간적 의존성을 모델링함으로써 망막 혈관 세분화를 위한 구조적 예측을 갖춘 완전 컨volution 신경망(FCN)을 제안한다. 이 방법은 DRIVE 데이터셋에서 95.33%의 정확도와 0.974 AUC를 달성하여, 공동 손실 최적화를 통해 클래스 레이블 상관관계를 명시적으로 모델링함으로써 최신 기술들을 능가한다.

ABSTRACT

Automatic segmentation of retinal blood vessels from fundus images plays an important role in the computer aided diagnosis of retinal diseases. The task of blood vessel segmentation is challenging due to the extreme variations in morphology of the vessels against noisy background. In this paper, we formulate the segmentation task as a multi-label inference task and utilize the implicit advantages of the combination of convolutional neural networks and structured prediction. Our proposed convolutional neural network based model achieves strong performance and significantly outperforms the state-of-the-art for automatic retinal blood vessel segmentation on DRIVE dataset with 95.33% accuracy and 0.974 AUC score.

연구 동기 및 목표

• 망막 혈관 세분화의 과제를 해결하기 위해, 혈관 형태학적 변동성과 노이즈가 많은 배경으로 인해 복잡한 기초 영상에서의 자동 망막 혈관 세분화를 다루는 것.
• 구조적 예측을 통해 인접 픽셀 레이블 간의 공간적 의존성을 모델링하여 세분화 성능을 향상시키는 것.
• 깊이 컨볼루션 네트워크의 계층적 특징 학습 능력을 활용하면서도, 더 나은 해부학적 구조 세분화를 위해 구조적 출력 예측을 통합하는 것.
• 새로운 FCN 기반의 구조적 예측 프레임워크를 사용하여 공개된 DRIVE 데이터셋에서 최신 기술 수준의 성능을 입증하는 것.

제안 방법

• 이 방법은 각 픽셀을 그 이웃의 영향을 받아 혈관 또는 배경으로 분류하는 다중 레이블 추론 문제로 망막 혈관 세분화를 공식화한다.
• 완전 컨볼루션 아키텍처를 사용하며, ReLU 활성화 함수와 드롭아웃(p=0.7)을 통한 정규화를 거쳐 교차하는 컨볼루션, 풀링, 업샘플링 레이어로 구성된다.
• 모든 컨볼루션 레이어에 3×3 커널 크기를 사용하고, 망막 영상의绿色通道에 대해 평균 및 표준편차 정규화를 통해 배치 정규화를 적용한다.
• 모든 픽셀의 이웃 영역에 걸쳐 공동 교차 엔트로피 손실 함수를 적용하여 레이블 의존성을 모델링하고 세분화 일관성을 향상시킨다.
• 사전 처리로는绿色通道 추출, 정규화, 대비 제한적 적응형 히스토GRAM 등분, 그리고 [0,1] 범위로 강도 스케일링을 수행하여 혈관의 가시성을 향상시킨다.
• 최종 출력은 네트워크에 의해 생성된 1×28×28 세분화 맵이며, 다중 클래스 확률 출력을 위해 최종 레이어에서 소프트맥스 활성화 함수를 사용한다.

실험 결과

연구 질문

• RQ1 구조적 예측을 갖춘 완전 컨볼루션 신경망은 기존의 픽셀 단위 분류 기법보다 망막 혈관 세분화 정확도를 향상시킬 수 있는가?
• RQ2 구조적 손실 함수를 통한 다중 레이블 예측의 공동 최적화는 인접 픽셀 간의 공간적 의존성을 얼마나 효과적으로 포착하는가?
• RQ3 계층적 특징 학습과 구조적 출력 모델링의 통합은 복잡한 망막 혈관 패턴에서 더 나은 일반화 성능을 이끌어내는가?
• RQ4 绿色通道 처리 및 히스토GRAM 등분을 적용하는 것이 혈관의 가시성과 세분화 성능 향상에 어느 정도 기여하는가?

주요 결과

• 제안된 방법은 DRIVE 데이터셋에서 95.33%의 정확도를 달성하여 이전 최신 기술 수준의 방법들을 뛰어넘었다.
• 모델은 0.9744의 AUC 스코어를 기록하여 배경과 혈관을 구분하는 데 강력한 분류 성능를 보였다.
• 민감도 76.91%와 특이도 98.01%는 진짜 혈관을 잘 탐지하면서도 잠재적 오진을 최소화함을 보여준다.
• 정밀도 84.98%는 예측된 혈관 영역에 대해 높은 신뢰도를 나타내며, 낮은 가짜 탐지 비율을 의미한다.
• 시각화 결과는 굽이치는 또는 희미한 혈관 영역에서도 일관되고 정확한 세분화를 보여준다.
• Lahiri 등, Maji 등, Fraz 등이 제안한 기존 방법들보다 정확도 및 AUC 지표에서 모두 뛰어난 성능을 보였다.