DUNet: デフォーマブルネットワークによる網膜血管セグメンテーション

網膜血管の自動セグメンテーションは、糖尿病や高血圧などの一部の疾患の診断において重要な役割を果たしています。本論文では、U字型アーキテクチャを用いて網膜血管の局所的な特徴を端から端まで活用するDeformable U-Net (DUNet) を提案します。最近導入された変形畳み込みネットワークに着想を得て、提案したネットワークに変形畳み込みを統合しました。DUNetは、アップサンプリング演算子を使用して出力解像度を向上させることで、低レベルの特徴マップと高レベルの特徴マップを組み合わせてコンテキスト情報を抽出し、精密な位置特定を可能にします。さらに、DUNetは受容野（receptive fields）を血管のスケールや形状に応じて適応的に調整することで、様々な形状とスケールを持つ網膜血管を捉えます。DRIVE, STARE, CHASE_DB1という3つの公開データセットを使用してモデルの訓練とテストを行いました。本研究では、提案したネットワークと変形ニューラルネットワークおよびU-Netとの詳細な比較が提供されています。結果は、DUNetによってより詳細な血管が抽出され、DRIVE, STARE, CHASE_DB1それぞれで全体精度0.9697/0.9722/0.9724およびAUC 0.9856/0.9868/0.9863という最先端の性能が示されました。また、DUNetの汎化能力を示すために、別の2つの網膜血管データセットであるWIDEと多様なスタイルを持つ合成データセットSYNTHEを使用し、他の方法との定性的および定量的な分析と比較を行いました。結果は、DUNetが他の最先端技術よりも優れていることを示しています。