[論文レビュー] DualNorm-UNet: Incorporating Global and Local Statistics for Robust Medical Image Segmentation.

Junfei Xiao, Lequan Yu+3 more|arXiv (Cornell University)|Mar 29, 2021

Advanced Neural Network Applications参考文献 32被引用数 9

ひとこと要約

本稿では、学習可能なセマンティックマスクを介してグローバルなバッチ統計とローカルなクラス別領域統計を統合する、医療画像セグメンテーションを向上させるための新しい正規化手法、DualNorm-UNetを提案する。セマンティッククラスごとに活性化を適応的に変調することで、特徴の識別性とドメイン一般化性能が向上し、多様な医療画像データセットで最先端の性能を達成する。

ABSTRACT

Batch Normalization (BN) is one of the key components for accelerating network training, and has been widely adopted in the medical image analysis field. However, BN only calculates the global statistics at the batch level, and applies the same affine transformation uniformly across all spatial coordinates, which would suppress the image contrast of different semantic structures. In this paper, we propose to incorporate the semantic class information into normalization layers, so that the activations corresponding to different regions (i.e., classes) can be modulated differently. We thus develop a novel DualNorm-UNet, to concurrently incorporate both global image-level statistics and local region-wise statistics for network normalization. Specifically, the local statistics are integrated by adaptively modulating the activations along different class regions via the learned semantic masks in the normalization layer. Compared with existing methods, our approach exploits semantic knowledge at normalization and yields more discriminative features for robust segmentation results. More importantly, our network demonstrates superior abilities in capturing domain-invariant information from multiple domains (institutions) of medical data. Extensive experiments show that our proposed DualNorm-UNet consistently improves the performance on various segmentation tasks, even in the face of more complex and variable data distributions. Code is available at this https URL.

研究の動機と目的

• 医療画像における異なるセマンティック構造間のコントラストを抑制するのに限界を示すバッチ正規化の問題を解決すること。
• 正規化層にセマンティッククラス情報を組み込むことで、特徴の識別性を向上させること。
• 異なるデータ分布を示す複数の機関からのデータに対してモデルのロバスト性を高めること。
• ローカル領域統計に適応する正規化機構を構築するとともに、グローバルバッチ統計を保持すること。
• 複雑で変動しやすいデータ分布下でも優れたセグメンテーション性能を達成すること。

提案手法

• 学習可能なセマンティックマスクから得られるローカル領域統計とグローバルバッチ統計を統合する正規化層、DualNormを導入する。
• 予測されたセマンティックマスクに基づく活性化の適応的変調を用い、クラス領域ごとに異なる正規化を適用する。
• 空間的コンテキストとセグメンテーション精度を保持するため、UNetアーキテクチャに二重統計を統合する。
• クラスに敏感な統計を特徴マップの変調に活用し、異なる解剖的構造の表現学習を強化する。
• 局所化された正規化のためのセマンティッククラスに対応する空間的領域を予測する学習可能なマスクヘッドを採用する。
• 残差ブロックに正規化を直接統合することで、計算効率を維持する。

実験結果

リサーチクエスチョン

• RQ1 正規化層にセマンティッククラス情報を組み込むことで、医療画像セグメンテーションにおける特徴の識別性が向上するか？
• RQ2 正規化におけるグローバル統計とローカル統計の組み合わせが、複数の医療画像ドメイン間でのモデル一般化に与える影響は何か？
• RQ3 提案手法は、複雑なデータ分布下で標準バッチ正規化や他の正規化変種を上回る性能を示すか？
• RQ4 複数の機関で得られたデータ（ドメインシフトを伴う）を用いて学習した場合、モデルのロバスト性はどの程度維持されるか？
• RQ5 局所的領域統計を用いることで、異なる解剖的構造におけるコントラスト保持が向上するか？

主な発見

• DualNorm-UNetは、複雑で変動しやすいデータ分布下でも、複数の医療画像セグメンテーションベンチマークで最先端の性能を達成する。
• クラスに敏感な正規化により、異なるセマンティック構造間のコントラストを保持することで、セグメンテーション精度が顕著に向上する。
• ローカル領域統計の統合により、標準バッチ正規化と比較して、より識別性の高い特徴表現が得られる。
• モデルは優れたドメイン一般化性能を示し、多様なデータ分布を持つ複数の機関のデータに対しても高い性能を維持する。
• 広範なアブレーションスタディにより、グローバル統計とローカル統計の両方が性能向上に独自に寄与することが確認された。
• 提案手法は未観測ドメインにも良好に一般化され、分布シフトに対して強いロバスト性を示している。