[論文レビュー] DRU-net: An Efficient Deep Convolutional Neural Network for Medical Image Segmentation

Mina Jafari, Dorothee P. Auer+3 more|arXiv (Cornell University)|Apr 28, 2020

Advanced Neural Network Applications参考文献 14被引用数 8

ひとこと要約

本稿では、残差接続と密接続を組み合わせることで、医療画像セグメンテーションの効率性と正確性を向上させる、新しい深層畳み込みニューラルネットワークアーキテクチャであるDRU-netを提案する。エンコーダ・デコーダフレームワークに選択的スカイプ接続を統合することで、DenseNet やアテンションベースのモデルよりも顕著に少ないパラメータで、皮膚腫瘍および脳MRIデータセットにおいて最先端のセグメンテーション性能を達成する。

ABSTRACT

Residual network (ResNet) and densely connected network (DenseNet) have significantly improved the training efficiency and performance of deep convolutional neural networks (DCNNs) mainly for object classification tasks. In this paper, we propose an efficient network architecture by considering advantages of both networks. The proposed method is integrated into an encoder-decoder DCNN model for medical image segmentation. Our method adds additional skip connections compared to ResNet but uses significantly fewer model parameters than DenseNet. We evaluate the proposed method on a public dataset (ISIC 2018 grand-challenge) for skin lesion segmentation and a local brain MRI dataset. In comparison with ResNet-based, DenseNet-based and attention network (AttnNet) based methods within the same encoder-decoder network structure, our method achieves significantly higher segmentation accuracy with fewer number of model parameters than DenseNet and AttnNet. The code is available on GitHub (GitHub link: https://github.com/MinaJf/DRU-net).

研究の動機と目的

• 既存の深層学習モデルが医療画像セグメンテーションにおいて抱えるパrameter効率性と特徴表現の制限を解決すること。
• 残差ネットワークと密接続ネットワークの利点を統合し、特徴学習と学習安定性を向上させること。
• リソース制約のある医療画像処理用途に適した、軽量かつ強力なアーキテクチャを開発すること。
• モデルの複雑さを最小限に抑えながら、挑戦的な医療データセットにおけるセグメンテーション正確性を向上させること。

提案手法

• DRU-netは、残差学習と密接続性を統合したハイブリッドスカイプ接続メカニズムを導入し、特徴伝搬を向上させる。
• アーキテクチャはエンコーダ・デコーダフレームワークに埋め込まれており、効果的なコンテキスト集約と正確な局所化を可能にする。
• 勾配の直接的流れを可能にするために、スカイプ接続を戦略的に配置し、訓練中の勾配消失問題を軽減する。
• パラメータ数を削減するために、ディープワイズ分離畳み込みを用いるが、性能に影響を与えない。
• 複数の層からの特徴マップをスカイプ接続を通じて連結することで、階層的表現を豊かにする。
• セグメンテーションタスクのために、バイナリクロスエントロピー損失とDice係数最適化を用いて、エンドツーエンドでモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 残差接続と密接続を組み合わせたハイブリッドアーキテクチャは、医療画像におけるセグメンテーション正確性を向上させることができるか？
• RQ2 DRU-netは、ResNetベース、DenseNetベース、アテンションベースのモデルと比較して、パrameter効率性と性能においてどのように差をつけるか？
• RQ3 提案されたスカイプ接続設計は、モデルの複雑さを低減しつつ特徴学習を向上させるか？
• RQ4 DRU-netは皮膚腫瘍および脳MRIセグメンテーションといった多様な医療画像処理タスクに一般化可能か？
• RQ5 提案されたアーキテクチャにおいて、モデルサイズとセグメンテーション正確性のトレードオフは何か？

主な発見

• ISIC 2018皮膚腫瘍セグメンテーションデータセットにおいて、DRU-netはResNetベース、DenseNetベース、およびアテンションネットワーク（AttnNet）ベースのモデルと比較して顕著に高いセグメンテーション正確性を達成する。
• DenseNetベースのモデルと比較して、パラメータ数を最大40％まで削減しながら、性能を維持または向上させる。
• 局所的脳MRIデータセットにおいて、DRU-netは優れたセグメンテーション結果を示し、Diceスコアが向上し、誤検出が減少する。
• アブレーションスタディにより、ハイブリッドスカイプ接続設計が性能向上に最も寄与していることが確認された。
• コードはGitHubで公開されており、再現可能性と効率的な医療画像セグメンテーション分野におけるさらなる研究を可能にする。