[논문 리뷰] Frangi-Net: A Neural Network Approach to Vessel Segmentation

Weilin Fu, Katharina Breininger외 4명|arXiv (Cornell University)|2017. 11. 09.

Retinal Imaging and Analysis참고 문헌 6인용 수 14

한 줄 요약

이 논문은 기존의 Frangi 혈관성 필터의 미분 가능한 신경망 구현인 Frangi-Net을 제안하며, 원래 필터의 수학적 구성 그대로 유지하면서 엔드 투 엔드 학습을 가능하게 한다. Frangi 필터를 사전 가중치가 부여된 네트워크로 재해석하고 망막 영상에서 미세조정함으로써, 특히 건강한 및 병변이 있는 망막 영상에서 작은 혈관과 중간 크기 혈관을 검출하는 데 있어 원래 필터 대비 최대 17%의 상대적 F1 점수 향상을 달성한다.

ABSTRACT

In this paper, we reformulate the conventional 2-D Frangi vesselness measure into a pre-weighted neural network ("Frangi-Net"), and illustrate that the Frangi-Net is equivalent to the original Frangi filter. Furthermore, we show that, as a neural network, Frangi-Net is trainable. We evaluate the proposed method on a set of 45 high resolution fundus images. After fine-tuning, we observe both qualitative and quantitative improvements in the segmentation quality compared to the original Frangi measure, with an increase up to $17\%$ in F1 score.

연구 동기 및 목표

• 망막 혈관 분할을 위해 Frangi 혈관성 필터의 사전 지식을 미분 가능한 신경망 프레임워크에 통합하기 위해.
• 고정된 파rameter와 영상 특화 변동성에 대응하지 못하는 기존 Frangi 필터링의 한계를 극복하기 위해.
• 혈관성 계산의 데이터 기반 미세조정을 가능하게 하여, 특히 작은 혈관과 중간 크기 혈관에 대한 분할 성능을 향상시키기 위해.
• 기존의 고전적 영상 처리 필터를 기반으로 한 네트워크 재구성 방식이 실제 망막 데이터에서 학습될 경우 원본 방법을 능가할 수 있음을 입증하기 위해.

제안 방법

• 헤시안 행렬과 고유값 분석을 사용하여 2D Frangi 혈관성 필터를 사전 가중치가 부여된 신경망(Frangi-Net)으로 재구성한다.
• 원본, 2배, 4배로 리샘플링된 3단계 해상도 계층을 갖춘 네트워크를 구현하며, 각각 제2차 가우시안 도함수로 초기화된 2D 컨볼루션 레이어를 사용한다.
• 기존 Frangi 방정식에 기반한 미분 가능한 연산을 사용하여 고유값과 혈관성 반응을 계산함으로써 backpropagation에 적합한 구조를 확보한다.
• 네트워크 파라미터를 최적화하기 위해 Dice 계수 손실과 학습률 1e-6, 모멘텀 0.5를 사용한 확률적 경사 하강법을 적용한다.
• 전체 데이터셋 기준 배치 크기 250, 총 3000 스텝으로 고해상도 망막 영상에서 패치 기반 접근 방식을 사용해 네트워크를 엔드 투 엔드로 학습시킨다.
• 이를 통해 원시 혈관성 점수를 시그모이드 활성화 함수를 통해 확률 맵으로 변환하고, 이로부터 이진 분할 출력을 생성한다.

실험 결과

연구 질문

• RQ1 고전적인 Frangi 혈관성 필터가 데이터 기반 최적화를 가능하게 하기 위해 미분 가능한 신경망으로 효과적으로 재구성될 수 있는가?
• RQ2 실제 망막 영상에서 Frangi-Net을 미세조정하면 고정된 파rameter를 가진 원래 필터 대비 혈관 분할 품질 향상이 측정 가능한가?
• RQ3 다양한 망막 병변(예: 당뇨성 망막병증, 녹내장)에서 Frangi-Net의 성능은 건강한 경우와 비교해 어떻게 다를까?
• RQ4 작은 혈관과 중간 크기 혈관의 검출에 네트워크가 얼마나 기여하는가? 이는 기존 필터가 자주 놓치는 영역이다.

주요 결과

• 미세조정 후, 병변이 있는 망막 영상에서 Frangi-Net은 원래 Frangi 필터 대비 F1 점수에서 17%의 상대적 향상을 달성했다.
• 건강한 망막 영상의 경우 F1 점수는 학습 전 0.669에서 학습 후 0.712로 상승하여 정성적·정량적 향상이 뚜렷했다.
• 학습 이후 기존에 놓쳤던 중간 크기 및 작은 혈관도 네트워크가 성공적으로 검출했으며, 분할 비교 시각적 확인이 가능했다.
• 학습 후 모든 데이터셋에서 정확도, 정밀도, 재현율 등 평가 지표가 향상되었으며, 병변이 있는 경우에서 가장 높은 향상률을 보였다.
• Dice 계수 손실의 사용으로 표준 교차 엔트로피 손실 대비 경계 정렬이 향상되고 가짜 양성 결과가 감소했다.
• 네트워크는 원래 Frangi 필터의 수학적 동치성을 유지하면서도 학습 가능한 파라미터를 제공함으로써, 고전적-미분 가능한 아키텍처의 융합이 가능함을 입증했다.