[論文レビュー] Claw U-Net: A Unet-based Network with Deep Feature Concatenation for Scleral Blood Vessel Segmentation

Chang Yao, Jingyu Tang+5 more|arXiv (Cornell University)|Oct 20, 2020

Vascular Malformations and Hemangiomas参考文献 18被引用数 7

ひとこと要約

本稿では、深層特徴の連結、残差ブロック、アテンション機構を備えた新しいU-Netベースのアーキテクチャ「Claw U-Net」を提案する。これは、Sturge-Weber症候群における正確な虹彩血管分離を目的としている。ボトムアップの特徴マップをアップサンプリングし、デコーダーステージ全体にわたって特徴を統合することで、新たに整備された虹彩血管データセット上で、80.57%のMIoU、88.58%のDiceスコア、11.99の平均ハウスドルフ距離を達成し、最先端の性能を発揮した。

ABSTRACT

Sturge-Weber syndrome (SWS) is a vascular malformation disease, and it may cause blindness if the patient's condition is severe. Clinical results show that SWS can be divided into two types based on the characteristics of scleral blood vessels. Therefore, how to accurately segment scleral blood vessels has become a significant problem in computer-aided diagnosis. In this research, we propose to continuously upsample the bottom layer's feature maps to preserve image details, and design a novel Claw UNet based on UNet for scleral blood vessel segmentation. Specifically, the residual structure is used to increase the number of network layers in the feature extraction stage to learn deeper features. In the decoding stage, by fusing the features of the encoding, upsampling, and decoding parts, Claw UNet can achieve effective segmentation in the fine-grained regions of scleral blood vessels. To effectively extract small blood vessels, we use the attention mechanism to calculate the attention coefficient of each position in images. Claw UNet outperforms other UNet-based networks on scleral blood vessel image dataset.

研究の動機と目的

• Sturge-Weber症候群における正確な虹彩血管分離の課題に取り組む。この疾患は緑内障や視力障害と関連している。
• 低コントラストで手術用品質の画像であるが、密集した多スケールの虹彩血管を分離する際、既存のU-Netベースのモデルに見られる限界を克服する。
• 臨床診断および手術計画において重要な、微細な血管の高分解能分離を向上させる。
• 深層学習モデルのトレーニングおよびベンチマークのための、専用の虹彩血管画像データセットを整備する。
• 残差学習とアテンション機構を統合することで、特徴表現力と境界の正確性を向上させる。

提案手法

• ボトムモストのエンコーダー特徴マップから各デコーダーステージへのスキップ接続を追加することで、深層特徴を継続的にアップサンプリング可能な、新規のClaw U-Netアーキテクチャを提案。
• エンコーダーに残差ブロックを採用することで、ネットワークの深さを増し、階層的特徴を学習するための勾配の流れを改善。
• デコーダーにアテンション機構を導入し、特に微小な血管境界のような顕著な領域に動的に重みを付ける。
• マルチスケールのスキップ接続戦略を採用。各デコーダーレイヤーは、対応するエンコーダーレイヤーの特徴、アップサンプリングされたボトム特徴マップ、およびデコーダ自身の特徴マップを統合する。
• 入力部にストライド2の7×7畳み込みを適用し、ダウンサンプリングにはマックスプーリングを用い、アップサンプリングにはトランスポジット畳み込みとバイリニア補間を併用。
• 二値交差エントロピー損失を用いてトレーニングし、Adam最適化法を適用。512×512の入力解像度を用い、すべてのモデルを同一のハイパーパramータでトレーニングすることで、公平な比較を実現。

実験結果

リサーチクエスチョン

• RQ1 深層特徴連結を組み込んだ変更版U-Netアーキテクチャは、標準的なU-Net変種と比較して、虹彩血管分離の精度を向上させることができるか？
• RQ2 残差ブロックとアテンション機構の統合により、低品質な手術画像における微小で繊細な血管の検出能力が向上するか？
• RQ3 標準的なスキップ接続と比較して、ボトムアップの特徴アップサンプリング戦略は、分離中に画像の詳細をどれほど効果的に保持できるか？
• RQ4 アテンション機構は、虹彩血管分離タスクにおける境界検出をどの程度向上させるか？
• RQ5 カスタムで構築された虹彩血管画像データセットは、臨床現場における深層学習モデルの信頼性ある評価と一般化を可能にするか？

主な発見

• Claw U-Netは、比較対象のすべてのモデルの中で最高の性能を達成し、平均交差率（MIoU）が80.57%に達した。これは、次に優れたモデル（UNet++：79.57%）を顕著に上回った。
• Diceスコアが88.58%に達し、マスクの埋め込み精度と血管分離におけるクラス不均衡へのロバスト性を示した。
• 平均ハウスドルフ距離（Aver_hd）が11.99と、すべてのモデルの中で最低であり、特に微小血管における境界局在化の優れた性能を示した。
• 残差およびアテンションモジュールを削除すると、MIoUが約1.6%低下し、これらのモジュールが性能向上に果たす重要性を裏付けた。
• 可視化比較では、Claw U-NetがResUNetよりも微小で断片的な血管をより多く保持していることが確認され、微細な詳細への感受性が優れていることが示された。
• アブレーションスタディの結果、性能向上はモジュールの追加に加え、それらのアーキテクチャ的統合にも依存しており、UNet++やResUNetにアテンションを追加すると性能が低下するなど、統合の仕方の重要性が確認された。