[論文レビュー] DC-UNet: Rethinking the U-Net Architecture with Dual Channel Efficient CNN for Medical Images Segmentation

Ange Lou, Shuyue Guan+1 more|arXiv (Cornell University)|May 31, 2020

AI in cancer detection被引用数 13

ひとこと要約

本稿では、標準的なエンコーダ・デコーダを二重チャネル効率的CNNに置き換え、スキップ接続を残差モジュールに置き換えることで、医療画像セグメンテーションを向上させる、DC-UNetと呼ばれる変更されたU-Netアーキテクチャを提案する。このモデルは、3つの挑戦的なデータセットにおいて、古典的U-Netよりも相対的に2.90%、1.49%、11.42%の性能向上を達成し、複雑なセグメンテーションタスクにおける精度と頑健性の向上を示している。

ABSTRACT

Recently, deep learning has become much more popular in computer vision area. The Convolution Neural Network (CNN) has brought a breakthrough in images segmentation areas, especially, for medical images. In this regard, U-Net is the predominant approach to medical image segmentation task. The U-Net not only performs well in segmenting multimodal medical images generally, but also in some tough cases of them. However, we found that the classical U-Net architecture has limitation in several aspects. Therefore, we applied modifications: 1) designed efficient CNN architecture to replace encoder and decoder, 2) applied residual module to replace skip connection between encoder and decoder to improve based on the-state-of-the-art U-Net model. Following these modifications, we designed a novel architecture--DC-UNet, as a potential successor to the U-Net architecture. We created a new effective CNN architecture and build the DC-UNet based on this CNN. We have evaluated our model on three datasets with tough cases and have obtained a relative improvement in performance of 2.90%, 1.49% and 11.42% respectively compared with classical U-Net. In addition, we used the Tanimoto similarity to replace the Jaccard similarity for gray-to-gray image comparisons.

研究の動機と目的

• 医療画像セグメンテーションにおける古典的U-Netアーキテクチャの限界を解決すること。
• 効率的CNNを用いてエンコーダ・デコーダを再設計することで、特徴表現と勾配フローを向上させること。
• スケール接続を残差モジュールに置き換えることで、より良い特徴統合を実現すること。
• 複雑な解剖的構造を有する困難な医療画像データセット上で、提案アーキテクチャの性能を評価すること。
• グレースケール画像同士の比較に適した、Tanimoto類似度をセグメンテーションタスクにおけるより効果的な指標として導入すること。

提案手法

• 標準的なU-Netのエンコーダおよびデコーダ部品の代わりに、二重チャネル効率的CNNアーキテクチャを設計した。
• エンコーダとデコーダ間の直接的なスキップ接続の代わりに、残差モジュールを統合することで、勾配フローと特徴学習を改善した。
• エンコーダとデコーダを効率性と特徴抽出に最適化した、変更されたU-Netバックボーンを採用した。
• グレースケール医療画像のセグメンテーション評価に、Jaccard類似度の代わりにTanimoto類似度を採用した。
• 困難なセグメンテーションケースを含む3つの多様な医療画像データセット上で、モデルを訓練および検証した。
• パrameter効率性と特徴精錬に焦点を当てたアーキテクチャの変更を通じて、ネットワークアーキテクチャを最適化した。

実験結果

リサーチクエスチョン

• RQ1 二重チャネル効率的CNNは、標準的U-Netのエンコーダ・デコーダと比較して、セグメンテーション精度を向上させることができるか？
• RQ2 スキップ接続を残差モジュールに置き換えることで、医療画像セグメンテーションにおける特徴統合とモデル性能が向上するか？
• RQ3 グレースケール医療画像セグメンテーションの評価において、Tanimoto類似度はJaccard類似度と比較してどのように異なるか？
• RQ4 提案されたDC-UNetアーキテクチャは、困難な医療画像データセットにおいて、古典的U-Netをどの程度上回るか？
• RQ5 医療画像タスクにおけるセグメンテーション精度を損なわずに、アーキテクチャの効率性を向上させることができるか？

主な発見

• DC-UNetは、最初のデータセットにおいて、古典的U-Netよりも相対的に2.90%の性能向上を達成した。
• 2番目のデータセットでは、ベースラインのU-Netと比較して1.49%の相対的向上が観察された。
• 3番目のより困難なデータセットでは、DC-UNetはセグメンテーション性能で顕著な11.42%の相対的向上を示した。
• Tanimoto類似度の使用は、セグメンテーションタスクにおけるグレー対グレー画像比較のためのより効果的な評価指標を提供した。
• 残差モジュールに基づくスキップ接続は、特徴学習と勾配フローの向上に寄与し、全体的な性能向上に貢献した。
• 二重チャネル効率的CNNの設計により、特徴表現が向上するとともに、モデルの効率性を維持した。