[论文解读] 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 151

一句话总结

该论文使用基于GAN的分割（V-GAN）从眼底图像生成清晰的视网膜血管映射，在 DRIVE 和 STARE 数据集上达到最先进的结果。

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.

研究动机与目标

• 激励自动视网膜血管分割以辅助疾病检测。
• 提升分割清晰度，降低假阳性/假阴性，特别是在细小血管处。
• 提出一个基于 GAN 的框架，学习将眼底图像映射为血管概率图。
• 在训练中加入判别网络以促进真实感强的血管映射。
• 在公开数据集（DRIVE、STARE）上对比评估现有方法。

提出的方法

• 使用一个生成器 G，将眼底图像 x 映射到同尺寸的血管概率图 y。
• 使用带跳跃连接的类 U-Net 的生成器，以保留低层特征。
• 探索不同的判别器（像素 GAN、Patch GAN、图像 GAN）以评估输出的真实感。
• 采用组合目标训练：GAN 损失 L_GAN 与分割损失 L_SEG 之和，且由 λ 调整权衡（设定为 10）。
• 使用 Adam，固定学习率 2e-4，优化 G* = argmin_G [max_D L_GAN(G,D)] + λ L_SEG(G)。
• 使用 ROC AUC、PR AUC 和 Dice 系数进行评估；对概率图使用 Otsu 阈值进行 Dice 的阈值化。

实验结果

研究问题

• RQ1 引入判别器是否能提升分割质量，相较于像 U-Net 这样的非 GAN 基线？
• RQ2 哪种判别器类型（像素/ Patch/ 图像）能带来最佳的血管分割性能？
• RQ3 基于 GAN 的分割是否能在 DRIVE 和 STARE 上获得更高的 Dice、ROC AUC 和 PR AUC？
• RQ4 所提出的方法与公开数据集上的人工专家标注相比如何？

主要发现

方法	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
Human Expert	-	-	0.791	-	-	0.760

• V-GAN（Image GAN）在 DRIVE 上达到 Dice 0.829，在 STARE 上达到 0.834，超越了若干先前方法。
• V-GAN 达到 ROC AUC 0.9803（DRIVE）和 0.9838（STARE），PR AUC 0.9149（DRIVE）和 0.9167（STARE）。
• 在 DRIVE 上，V-GAN 在 ROC AUC 和 Dice 上超越了最佳现有方法 DRIU，甚至在某些指标上超过人工专家。
• 具有更高判别能力的判别器（Image GAN）比轻量变体带来更好的性能。
• 与无判别器的 U-Net 相比，基于 GAN 的方法展现出更好的分割质量与更清晰的血管映射。