[論文レビュー] Retinal Vessel Segmentation in Fundoscopic Images with Generative Adversarial Networks

Jaemin Son, Sang Jun Park+1 more|arXiv (Cornell University)|Jun 28, 2017

Retinal Imaging and Analysis参考文献 2被引用数 151

ひとこと要約

この論文はGANベースのセグメンテーション（V-GAN）を用いて Fundus 画像から鋭い視網膜血管マップを作成し、DRIVEとSTAREデータセットで最先端の結果を達成します。

ABSTRACT

Retinal vessel segmentation is an indispensable step for automatic detection of retinal diseases with fundoscopic images. Though many approaches have been proposed, existing methods tend to miss fine vessels or allow false positives at terminal branches. Let alone under-segmentation, over-segmentation is also problematic when quantitative studies need to measure the precise width of vessels. In this paper, we present a method that generates the precise map of retinal vessels using generative adversarial training. Our methods achieve dice coefficient of 0.829 on DRIVE dataset and 0.834 on STARE dataset which is the state-of-the-art performance on both datasets.

研究の動機と目的

• 自動的な視網膜血管セグメンテーションを病気検出支援の動機づけとする。
• 細い血管を含むセグメンテーションの鮮明さを向上させ、偽陽性/偽陰性を低減する。
• 基金画像を血管確率マップへ写像するGANベースのフレームワークを提案する。
• 訓練中に現実的な血管マップを促す鑑別ネットワークを組み込む。
• 公開データセット（DRIVE、STARE）上で既存手法と比較評価を行う。

提案手法

• 生成器 G が fundus 画像 x を同じサイズの血管確率マップ y に写像する。
• 低レベル特徴を保持するためにスキップ接続された U-Net 風の生成器を用いる。
• 出力の現実味を判断するためにさまざまな識別器（Pixel GAN、Patch GAN、Image GAN）を探索する。
• GAN 損失 L_GAN とセグメンテーション損失 L_SEG をλ（10に設定）でバランスさせた組み合わせ目的関数で訓練する。
• Adamを用いて固定学習率 2e-4 で G* = argmin_G [max_D L_GAN(G,D)] + λ L_SEG(G) を最適化する。
• ROC AUC、PR AUC、Dice係数で評価し、Diceのしきい値化にはOtsu閾値を用いる。

実験結果

リサーチクエスチョン

• RQ1 鑑別器を組み込むことは、U-Netのような非GANベースのベースラインよりセグメンテーション品質を向上させるか。
• RQ2 どの識別器タイプ（Pixel/ Patch/ Image）が最も良い血管セグメンテーション性能を生むか。
• RQ3 GANベースのセグメンテーションは、DRIVEおよびSTAREで既存手法より高いDice、ROC AUC、PR AUCを達成できるか。
• RQ4 提案手法は公開データセット上で人間専門家の注釈と比較してどうか。

主な発見

手法	ROC DRIVE	PR DRIVE	Dice DRIVE	ROC STARE	PR STARE	Dice STARE
DRIU	0.9793	0.9064	0.822	0.9772	0.9101	0.831
V-GAN	0.9803	0.9149	0.829	0.9838	0.9167	0.834
人間の専門家	-	-	0.791	-	-	0.760

• V-GAN（Image GAN）は DRIVEで Dice 0.829、STAREで 0.834 を達成し、いくつかの先行手法を上回る。
• V-GAN は ROC AUC 0.9803（DRIVE）、0.9838（STARE）、PR AUC 0.9149（DRIVE）、0.9167（STARE）を達成。
• DRIVE では V-GAN が既存の最良手法 DRIU の ROC AUC および Dice を上回り、いくつかの指標で人間専門家を超える。
• より高い識別力を持つ識別器（Image GAN）は、軽いバリアントよりも性能が良い。
• 非識別的 U-Net と比較して、GAN ベースのアプローチはセグメンテーション品質と鋭い血管マップを向上させる。