[논문 리뷰] Residual Spatial Attention Network for Retinal Vessel Segmentation

Changlu Guo, Márton Szemenyei외 3명|arXiv (Cornell University)|2020. 09. 18.

Retinal Imaging and Analysis참고 문헌 13인용 수 6

한 줄 요약

이 논문은 잔차 공간 주의망(RSAN)을 제안하여 망막 혈관 분할을 수행한다. 이는 수정된 잔차 블록에 DropBlock 정규화와 공간 주의 메커니즘을 통합하여 특징 학습을 향상시키고 과적합을 줄인다. RSAN은 DRIVE 및 CHASE DB1 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성하며, 각각 AUC 점수 0.9855와 0.9894를 기록하여 이전 방법들을 능가한다.

ABSTRACT

Reliable segmentation of retinal vessels can be employed as a way of monitoring and diagnosing certain diseases, such as diabetes and hypertension, as they affect the retinal vascular structure. In this work, we propose the Residual Spatial Attention Network (RSAN) for retinal vessel segmentation. RSAN employs a modified residual block structure that integrates DropBlock, which can not only be utilized to construct deep networks to extract more complex vascular features, but can also effectively alleviate the overfitting. Moreover, in order to further improve the representation capability of the network, based on this modified residual block, we introduce the spatial attention (SA) and propose the Residual Spatial Attention Block (RSAB) to build RSAN. We adopt the public DRIVE and CHASE DB1 color fundus image datasets to evaluate the proposed RSAN. Experiments show that the modified residual structure and the spatial attention are effective in this work, and our proposed RSAN achieves the state-of-the-art performance.

연구 동기 및 목표

• 당뇨병과 고혈압의 조기 진단을 위해 자동 망막 혈관 분할의 정확도를 향상시키기 위해.
• 망막 이미지에서 저대비도 및 얇은 혈관의 과제를 해결하기 위해 특징 표현을 향상시키기 위해.
• DropBlock과 같은 정규화 기법을 통해 딥 네트워크의 과적합을 줄이기 위해.
• 공간 주의 메커니즘을 사용하여 특징 간의 공간적 관계를 모델링하여 특징 학습을 향상시키기 위해.
• 공개된 맹막 혈관 분할 벤치마크에서 최신 기술 수준의 성능를 달성하기 위해.

제안 방법

• 제안된 방법은 사전 활성화 잔차 블록에 DropBlock 정규화를 통합하여 일반화 능력을 향상시키고 과적합을 방지하기 위해 수정된 잔차 블록을 도입한다.
• 새로운 잔차 공간 주의 블록(RSAB)을 제안하며, 이는 수정된 잔차 블록과 공간 주의 모듈을 결합하여 관련 특징을 강조하고 노이즈를 억제한다.
• 공간 주의 메커니즘은 특징 맵의 공간 중요도에 따라 동적으로 가중치를 부여하는 주의 맵을 계산하여 표현 능력을 향상시킨다.
• 스킵 연결을 통해 거시적 및 세부 특징을 유지하기 위해, U-Net 아키텍처를 수정하여 표준 컨볼루션 블록을 RSAB로 대체한다.
• 이중 교차 엔트로피 손실과 포칼 손실을 사용하여 클래스 불균형을 처리하기 위해 DRIVE 및 CHASE DB1 데이터셋에서 엔드 투 엔드로 네트워크를 훈련시킨다.
• 표준 평가 지표를 사용하여 모델을 평가한다: 민감도(SEN), 특이도(SPE), F1 점수(F1), 정확도(ACC), AUC.

실험 결과

연구 질문

• RQ1 잔차 블록에 DropBlock을 통합함으로써 딥 망막 혈관 분할 네트워크의 일반화 능력 향상과 과적합 감소가 가능한가?
• RQ2 공간 주의 메커니즘이 얇고 저대비도의 맹막 혈관을 구분하는 데 네트워크의 능력을 향상시키는가?
• RQ3 제안된 잔차 공간 주의 블록(RSAB)은 표준 잔차 블록에 비해 특징 표현 능력과 분할 정확도 측면에서 어떻게 비교되는가?
• RQ4 전체 RSAN 모델은 벤치마크 맹막 혈관 분할 데이터셋에서 최신 기술 수준의 성능를 달성하는가?
• RQ5 공간 주의 메커니즘이 세부 혈관 구조에 대한 네트워크의 민감도를 어느 정도 향상시키는가?

주요 결과

• RSAN은 DRIVE 데이터셋에서 AUC 0.9855를 기록하여 이전 최고 성능 방법보다 0.34%p 높은 최고의 AUC를 달성한다.
• CHASE DB1 데이터셋에서 RSAN은 AUC 0.9894를 기록하여 이전 최신 기술 수준 방법보다 0.34%p 높다.
• RSAN의 민감도(SEN)는 DRIVE에서 0.8149, CHASE DB1에서 0.8486에 도달하여 얇고 흐린 혈관을 뛰어난 감지 능력을 보여준다.
• RSAN의 정확도(ACC)는 DRIVE에서 0.9691, CHASE DB1에서 0.9751이며, 각각 이전 최고 성능보다 1.13%p와 0.90%p 향상되었다.
• 공간 주의 메커니즘의 도입으로 DRIVE에서 F1 점수는 1.12%p, CHASE DB1에서는 1.21%p 향상되었다.
• 절단 실험 결과, DropBlock과 공간 주의 모두 성능 향상에 기여하며, 전체 RSAN 모델이 모든 절단 변형보다 뛰어난 성능을 보였다.