[논문 리뷰] IterNet: Retinal Image Segmentation Utilizing Structural Redundancy in Vessel Networks

Liangzhi Li, Manisha Verma외 3명|arXiv (Cornell University)|2019. 12. 12.

Retinal Imaging and AnalysisMedicine참고 문헌 3인용 수 22

한 줄 요약

IterNet는 미니-UNet를 사용하여 반복적으로 분할 결과를 개선하는 새로운 반복 보정 프레임워크를 제안한다. 이는 혈관 네트워크의 구조적 부재를 활용하여, 사전 훈련 없이 10~20장의 레이블이 부여된 이미지만으로도 DRIVE, CHASE-DB1, STARE 데이터셋에서 각각 0.9816, 0.9851, 0.9881의 최고 성능 AUC를 달성한다.

ABSTRACT

Retinal vessel segmentation is of great interest for diagnosis of retinal vascular diseases. To further improve the performance of vessel segmentation, we propose IterNet, a new model based on UNet, with the ability to find obscured details of the vessel from the segmented vessel image itself, rather than the raw input image. IterNet consists of multiple iterations of a mini-UNet, which can be 4$ imes$ deeper than the common UNet. IterNet also adopts the weight-sharing and skip-connection features to facilitate training; therefore, even with such a large architecture, IterNet can still learn from merely 10$\sim$20 labeled images, without pre-training or any prior knowledge. IterNet achieves AUCs of 0.9816, 0.9851, and 0.9881 on three mainstream datasets, namely DRIVE, CHASE-DB1, and STARE, respectively, which currently are the best scores in the literature. The source code is available.

연구 동기 및 목표

• 혈관 경계가 망막판과 같은 아티팩트로 인해 흐릿해지는 저대비, 노이즈가 많은 이미지에서 망막 혈관을 분할하는 데 도전한다.
• 일般적으로 10~20장의 이미지로 구성된 작은 레이블 데이터셋의 한계를 극복하여, 소수의 샘플에서 효과적으로 학습할 수 있도록 한다.
• 구조적 부재—즉, 혈관이 연속적이고 연결된 네트워크를 이룬다는 기대—를 활용하여 분할 연결성 향상과 잡음 감소를 도모한다.
• 원시 이미지를 직접 최종 출력으로 매핑하는 것이 아니라, 자기 자신 예측을 반복적으로 개선하는 딥 러닝 모델을 개발한다.
• 사전 훈련이나 사전 지식 없이도, 자가 보정과 반복 간의 가중치 공유에만 의존하여 높은 성능을 달성한다.

제안 방법

• IterNet는 기본 UNet과 N−1개의 반복 보정 모듈(미니-UNet)을 사용하며, 이는 이전 단계의 분할 출력을 개선한다.
• 각 보정 모듈은 이전 모듈의 두 번째 마지막 레이어 출력을 입력으로 받아 점진적인 오류 수정을 가능하게 한다.
• 기본 UNet과 각 미니-UNet 간에 스킵 연결을 사용하여 특징 무결성과 훈련 중 기울기 흐름을 향상시킨다.
• 모든 미니-UNet 간에 가중치 공유를 적용하여 파rameter 수를 줄이고, 최소한의 레이블 데이터로도 효과적인 훈련을 가능하게 한다.
• 각 보정 단계에 별도의 손실 함수를 사용하여 전체 반복 과정의 엔드 투 엔드 최적화를 가능하게 한다.
• 추론 시 정확도와 속도를 균형 잡기 위해 가변 스크라이드를 사용한 이미지 패치 자르기 전략을 사용하며, 겹치는 패치를 통합하여 결과를 조합한다.

실험 결과

연구 질문

• RQ1 훈련 데이터가 극도로 제한된 상황에서 혈관 분할 지도의 반복 보정이 성능 향상에 기여할 수 있는가?
• RQ2 원시 이미지 특징에 의존하지 않고도 혈관 네트워크의 구조적 부재를 얼마나 효과적으로 활용하여 분할 오류를 수정할 수 있는가?
• RQ3 공유 가중치와 스킵 연결을 갖춘 계단식 보정 아키텍처가 소수의 레이블이 있는 혈관 분할에서 기존의 UNet 기반 모델보다 우수한 성능을 낼 수 있는가?
• RQ4 보정 반복 횟수와 패치 처리 전략이 분할 정확도와 추론 속도에 어떤 영향을 미치는가?
• RQ5 초기 예측이 완벽하지 않은 상태에서만 훈련된 모델이 벤치마크 데이터셋에서 최고 성능을 달성할 수 있는가?

주요 결과

• IterNet는 DRIVE에서 AUC 0.9816, CHASE-DB1에서 0.9851, STARE에서 0.9881을 기록하여 문헌에 보고된 바 중 최고 성능이다.
• 모델은 끊어진 혈관 세그먼트 수를 크게 줄였으며, 연결성 점수는 각각 DRIVE 0.9193, CHASE-DB1 0.9091, STARE 0.8977로, UNet, DenseNet, DUNet를 모두 초월한다.
• 기본 UNet과 미니-UNet 간 스킵 연결이 없더라도 IterNet는 강력한 성능 유지를 보이며, 아키텍처 변형에 대한 강건성을 입증한다.
• 보정 단계에서 미니-UNet 대신 전체 크기의 UNet을 사용할 경우 성능 저하가 발생함을 확인하여, 경량화된 공유 모듈의 유용성을 입증한다.
• 스트라이드 3(밀도 높은 패치)로 추론할 경우 1장당 약 73.5초가 소요되고, 스트라이드 8로는 약 22.2초로 감소하여 정확도와 속도 사이의 상충 관계를 확인할 수 있다.
• 시각화 결과에 따르면 IterNet는 모든 데이터셋에서 가장 적은 수의 독립된 혈관 세그먼트를 생성하여, 뛰어난 연결성과 낮은 잡음 분할 분할을 보여준다.