[論文レビュー] LadderNet: Multi-path networks based on U-Net for medical image segmentation

Juntang Zhuang|arXiv (Cornell University)|Oct 17, 2018

Retinal Imaging and Analysis参考文献 15被引用数 222

ひとこと要約

LadderNetはU-Netを多分岐チェーンへ拡張し、共有重み残差ブロックを用いたアンサンブル型のFCNを形成し、網膜血管セグメンテーションを改善します。DRIVEとCHASE_DB1データセットで最先端の指標を達成します。

ABSTRACT

U-Net has been providing state-of-the-art performance in many medical image segmentation problems. Many modifications have been proposed for U-Net, such as attention U-Net, recurrent residual convolutional U-Net (R2-UNet), and U-Net with residual blocks or blocks with dense connections. However, all these modifications have an encoder-decoder structure with skip connections, and the number of paths for information flow is limited. We propose LadderNet in this paper, which can be viewed as a chain of multiple U-Nets. Instead of only one pair of encoder branch and decoder branch in U-Net, a LadderNet has multiple pairs of encoder-decoder branches, and has skip connections between every pair of adjacent decoder and decoder branches in each level. Inspired by the success of ResNet and R2-UNet, we use modified residual blocks where two convolutional layers in one block share the same weights. A LadderNet has more paths for information flow because of skip connections and residual blocks, and can be viewed as an ensemble of Fully Convolutional Networks (FCN). The equivalence to an ensemble of FCNs improves segmentation accuracy, while the shared weights within each residual block reduce parameter number. Semantic segmentation is essential for retinal disease detection. We tested LadderNet on two benchmark datasets for blood vessel segmentation in retinal images, and achieved superior performance over methods in the literature. The implementation is provided \url{https://github.com/juntang-zhuang/LadderNet}

研究の動機と目的

• U-Netに似たアーキテクチャにおける情報フローの改善を従来のエンコーダ-デコーダのスキップ接続を超えて動機付ける。
• Adjacent branches間のスキップ接続を備えた複数のU-NetsのチェーンとしてLadderNetを導入する。
• 重み共有残差ブロックでパラメータを削減しつつ複数の情報フロー経路を可能にする。
• 従来法と比較して網膜血管データセットでより優れたセグメンテーション性能を示す。

提案手法

• LadderNetを、隣接するデコーダブランチ間にスキップ接続を持つU-Netsのチェーンとして形成されるマルチブランチネットワークとして提案する。
• より大きな受容野へ移動するためにストライド2の畳み込みを用い、特徴を伝搬させるためにストライド2の転置畳み込みを用いる。
• 各レベルで次列にわたりチャンネル数を倍増させる。
• 同じ重みを共有する2つの畳み込みを挿入してドロップアウトを間に入れる、共有重み残差ブロックを実装する。
• LadderNetを多様な情報フロー経路の集合体として扱い、パラメータを重み共有で削減する一方でFCNのアンサンブルとしての性質を持つ。

実験結果

リサーチクエスチョン

• RQ1 LadderNetは従来のU-Netアーキテクチャを超える情報フロー経路を増やすことで意味的セグメンテーションの性能を改善できるか？
• RQ2 共有重み残差ブロック設計はパラメータを削減しつつ精度を維持または向上させるか？
• RQ3 LadderNetは DRIVE と CHASE_DB1 の網膜血管セグメンテーションで既存のU-Net派生と比べてどうか？
• RQ4 LadderNetは実際にFCNのアンサンブルとして機能し、これがAUCとF1スコアの向上につながるか？

主な発見

データセット	手法	年	F1スコア	SE	SP	AC	AUC
DRIVE	LadderNet	2018	0.8202	0.7856	0.9810	0.9561	0.9793
CHASE_DB1	LadderNet	2018	0.8031	0.7978	0.9818	0.9656	0.9839

• LadderNetは DRIVEと CHASE_DB1 で、示された方法と比較してF1スコア、AC、AUCの最高値を達成した。
• DRIVEでは LadderNet は F1-score 0.8202、SE 0.7856、SP 0.9810、AC 0.9561、AUC 0.9793 を達成。
• CHASE_DB1では LadderNet は F1-score 0.8031、SE 0.7978、SP 0.9818、AC 0.9656、AUC 0.9839 を達成。
• LadderNetのROCおよび精度-再現曲線は、両データセットでAUCが0.97超え、PR AUCが0.88超えというトップクラスの性能を示している。
• 共有重み残差ブロックはパラメータ数を削減しつつセグメンテーション性能を維持または向上させる。