[논문 리뷰] Topological Similarity Index and Loss Function for Blood Vessel Segmentation

Ricardo J. Araújo, Jaime S. Cardoso외 1명|arXiv (Cornell University)|2021. 07. 30.

Retinal Imaging and Analysis참고 문헌 33인용 수 7

한 줄 요약

이 논문은 혈관 세분화의 위상 일관성을 향상시키기 위해 위상 유사도 지표와 형태학적 닫기 연산자를 기반으로 한 새로운 손실 함수를 제안한다. 끊어진 세그먼트와 잘못된 연결을 더 강하게 처벌함으로써, 이 방법은 딥러닝 모델이 연결되어 있고 임상적으로 의미 있는 혈관 수형도를 생성하는 능력을 향상시키며, 망막 및 관상동맥 조영영상 데이터셋에서 표준 손실 함수보다 위상 지표에서 뛰어난 성능을 보인다.

ABSTRACT

Blood vessel segmentation is one of the most studied topics in computer vision, due to its relevance in daily clinical practice. Despite the evolution the field has been facing, especially after the dawn of deep learning, important challenges are still not solved. One of them concerns the consistency of the topological properties of the vascular trees, given that the best performing methodologies do not directly penalize mistakes such as broken segments and end up producing predictions with disconnected trees. This is particularly relevant in graph-like structures, such as blood vessel trees, given that it puts at risk the characterization steps that follow the segmentation task. In this paper, we propose a similarity index which captures the topological consistency of the predicted segmentations having as reference the ground truth. We also design a novel loss function based on the morphological closing operator and show how it allows to learn deep neural network models which produce more topologically coherent masks. Our experiments target well known retinal benchmarks and a coronary angiogram database.

연구 동기 및 목표

• 딥러닝 기반 혈관 세분화에서 발생하는 지속적인 위상 불일치 문제, 즉 끊어진 또는 잘못 연결된 혈관 수형도를 생성하는 모델의 문제를 해결하기 위해.
• 표준 픽셀 수준 지표가 포착하지 못하는 위상 오류(예: 끊어진 세그먼트, 불필요한 연결)를 명시적으로 처벌하는 유사도 지표를 설계하기 위해.
• 형태학적 닫기 연산자를 활용하여 예측된 혈관 마스크의 구조적 오류를 탐지하고 처벌함으로써 위상 일관성을 증진하는 미분 가능한 손실 함수를 개발하기 위해.
• 제안된 방법을 망막 및 관상동맥 조영영상 데이터셋에서 평가하여, 표준 픽셀 수준 지표를 떨어뜨리지 않으면서도 위상 성능을 향상시킴을 입증하기 위해.
• 벤치마킹에 위상 평가를 포함할 것을 주장하며, 딥러닝 커뮤니티가 기존의 Dice 및 AUC와 같은 전통적 지표를 넘어서야 한다고 촉구하기 위해.

제안 방법

• 예측된 혈관 수형도의 구조적 일관성을 지표와 진짜값 간 비교하여 평가하는 위상 유사도 지표를 제안하며, 그래프 연결성을 해치는 오류에 초점을 맞춘다.
• 형태학적 닫기 연산자를 기반으로 한 미분 가능한 손실 함수 $ L_{\text{prop}} $ 를 설계하여, 끊어진 세그먼트 및 잘못된 연결과 같은 위상 오류를 탐지하고 처벌한다.
• 기존의 중심선 인식 손실 함수(예: $ L_{\text{cldice}}, L_{\text{clbce}} $)에 제안된 위상 페널티 항목을 통합하여 연결성을 향상시킨다.
• U-Net 기반 딥뉴럴 네트워크를 사용하여 망막 후면도 및 관상동맥 조영영상에서 학습 중에 이 손실 함수를 적용함으로써 더 위상 일관성이 높은 예측을 학습한다.
• 스켈레톤화 및 경로 탐색 분석을 활용하여 위상 유사도를 계산함으로써, 그래프 구조에 영향을 주는 오류가 평가에서 우선시되도록 보장한다.
• 픽셀 수준 지표(AUC, Dice)와 위상 인식 지표를 조합한 하이브리드 평가 프레임워크를 활용하여 모델 성능을 종합적으로 평가한다.

실험 결과

연구 질문

• RQ1 새로운 위상 유사도 지표가 끊어진 세그먼트 및 잘못된 연결과 같은 구조적 오류를 효과적으로 포착하고 처벌할 수 있는가?
• RQ2 기존 중심선 인식 손실에 형태학적 닫기 기반의 손실 항목을 통합함으로써 예측된 혈관 수형도의 위상 일관성이 상당히 향상되는가?
• RQ3 다양한 의료 영상 도메인에서 제안된 방법이 표준 손실 및 중심선 인식 손실과 비교해 위상 성능에서 어떻게 다른가?
• RQ4 제안된 손실 함수가 AUC 및 Dice와 같은 표준 픽셀 수준 세분화 지표를 얼마나 떨어뜨리는가?
• RQ5 제안된 방법이 좁은 영역에서 혈관 지름을 과대 평가하지 않으면서도 잘못된 양성 연결 및 끊어진 세그먼트를 줄일 수 있는가?

주요 결과

• 제안된 위상 유사도 지표는 혈관 수형도 연결성을 해치는 오류를 효과적으로 드러내며, 표준 지표보다 끊어진 수형도와 잘못된 연결을 더 강하게 처벌한다.
• 제안된 손실 함수($ L_{\text{propdice}} $)로 훈련된 모델은 CHASE 및 CORONARY 데이터셋에서 모두 가장 높은 위상 유사도 점수를 기록했으며, 베이스라인 및 중심선 인식 손실보다 뛰어난 성능을 보였다.
• $ L_{\text{propbce}} $ 손실 버전이 전체적으로 가장 우수한 성능을 보였으며, 위상 일관성은 유지하면서 픽셀 수준 AUC의 감소를 최소화하여 가장 견고한 선택으로 평가되었다.
• 제안된 손실 함수는 예측에서 끊어진 세그먼트와 잘못된 연결의 수를 줄였으며, 그림 8에서 시각적으로 확인되었듯이 세그먼트가 더 적은 수의 끊어진 또는 잘못 연결된 혈관을 보였다.
• 중심선 인식 손실만으로는 위상 일관성을 확보하기에 부족했으며, 혈관 수형도를 끊거나 합치는 오류를 완전히 해결하지 못했다.
• 이 방법은 도메인 간 일반화 능력을 보였으며, 도메인 특화 적응이 필요 없이 망막 및 관상동맥 조영영상 데이터에서 모두 위상 성능을 향상시켰다.