[論文レビュー] Recurrent Residual Convolutional Neural Network based on U-Net (R2U-Net) for Medical Image Segmentation

Md Zahangir Alom, Md. Mahmudul Hasan+3 more|arXiv (Cornell University)|Feb 19, 2018

Brain Tumor Detection and Classification被引用数 681

ひとこと要約

この論文は R2U-Net を導入する。これは U-Net を基盤とした再帰的残差 CNN で医用画像分割用。残差ユニットと再帰畳み込みを組み合わせて特徴表現を改善する。

ABSTRACT

Deep learning (DL) based semantic segmentation methods have been providing state-of-the-art performance in the last few years. More specifically, these techniques have been successfully applied to medical image classification, segmentation, and detection tasks. One deep learning technique, U-Net, has become one of the most popular for these applications. In this paper, we propose a Recurrent Convolutional Neural Network (RCNN) based on U-Net as well as a Recurrent Residual Convolutional Neural Network (RRCNN) based on U-Net models, which are named RU-Net and R2U-Net respectively. The proposed models utilize the power of U-Net, Residual Network, as well as RCNN. There are several advantages of these proposed architectures for segmentation tasks. First, a residual unit helps when training deep architecture. Second, feature accumulation with recurrent residual convolutional layers ensures better feature representation for segmentation tasks. Third, it allows us to design better U-Net architecture with same number of network parameters with better performance for medical image segmentation. The proposed models are tested on three benchmark datasets such as blood vessel segmentation in retina images, skin cancer segmentation, and lung lesion segmentation. The experimental results show superior performance on segmentation tasks compared to equivalent models including U-Net and residual U-Net (ResU-Net).

研究の動機と目的

• 標準 U-Net を超える医用画像分割性能の向上を動機付ける。
• U-Net と残差学習および再帰畳み込みを組み合わせたアーキテクチャを提案する。
• RU-Net および R2U-Net を多様な医用画像タスクで評価し、分割品質の向上を実証する。

提案手法

• RU-Net (Recurrent U-Net) を導入し、U-Net フレームワークに再帰畳み込み層を組み込む。
• U-Net 内に残差接続と再帰ユニットを組み込むことで R2U-Net（Recurrent Residual U-Net）を開発する。
• パラメータ数を増やさず再帰的残差層からの特徴蓄積を活用して表現を強化する。
• 標準的な医用分割ベンチマークで基準となる U-Net および ResU-Net と比較する。

実験結果

リサーチクエスチョン

• RQ1 U-Net ボトムアップにおける再帰的残差畳み込み層は、標準の U-Net および ResU-Net と比べて医用画像分割性能を向上させるか？
• RQ2 RU-Net/R2U-Net は網膜血管、皮膚病変、肺病変の分割において、より良い特徴表現と学習ダイナミクスを提供するか？

主な発見

• RU-Net および R2U-Net は残差および再帰畳み込みを活用して分割品質を向上させる。
• 提案モデルは、標準的な U-Net および ResU-Net のベースラインよりベンチマーク医用データセットで高い性能を示す。
• 再帰的残差層による特徴蓄積は、分割タスクに対してより豊かな表現を生み出す。