[論文レビュー] SAR-U-Net: squeeze-and-excitation block and atrous spatial pyramid pooling based residual U-Net for automatic liver segmentation in Computed Tomography

Jinke Wang, Peiqing Lv+2 more|arXiv (Cornell University)|Mar 11, 2021

Advanced Neural Network Applications参考文献 32被引用数 4

ひとこと要約

本論文では、 squeeze-and-excitation (SE) ブロック、atrous spatial pyramid pooling (ASPP)、および残差学習を統合した 2D U-Net の変種、SAR-U-Net を提案する。このモデルは、CTスキャンにおける正確な肝臓セグメンテーションを実現し、LiTS17 および SLiver07 データセットで最先端の性能を達成した。それぞれのDiceスコアは 95.71% および 97.31% であり、困難な肝臓境界や小規模・断片的な領域に対しても優れたロバスト性を示している。

ABSTRACT

Background and objective: In this paper, a modified U-Net based framework is presented, which leverages techniques from Squeeze-and-Excitation (SE) block, Atrous Spatial Pyramid Pooling (ASPP) and residual learning for accurate and robust liver CT segmentation, and the effectiveness of the proposed method was tested on two public datasets LiTS17 and SLiver07. Methods: A new network architecture called SAR-U-Net was designed. Firstly, the SE block is introduced to adaptively extract image features after each convolution in the U-Net encoder, while suppressing irrelevant regions, and highlighting features of specific segmentation task; Secondly, ASPP was employed to replace the transition layer and the output layer, and acquire multi-scale image information via different receptive fields. Thirdly, to alleviate the degradation problem, the traditional convolution block was replaced with the residual block and thus prompt the network to gain accuracy from considerably increased depth. Results: In the LiTS17 experiment, the mean values of Dice, VOE, RVD, ASD and MSD were 95.71, 9.52, -0.84, 1.54 and 29.14, respectively. Compared with other closely related 2D-based models, the proposed method achieved the highest accuracy. In the experiment of the SLiver07, the mean values of Dice, VOE, RVD, ASD and MSD were 97.31, 5.37, -1.08, 1.85 and 27.45, respectively. Compared with other closely related models, the proposed method achieved the highest segmentation accuracy except for the RVD. Conclusion: The proposed model enables a great improvement on the accuracy compared to 2D-based models, and its robustness in circumvent challenging problems, such as small liver regions, discontinuous liver regions, and fuzzy liver boundaries, is also well demonstrated and validated.

研究の動機と目的

• 小規模な肝臓領域、不連続な構造、曖昧な境界による CT スキャンにおける肝臓セグメンテーションの不正確さという課題に対処すること。
• 2D U-Net アーキテクチャにおける特徴表現およびマルチスケールの文脈モデリングを向上させ、セグメンテーション精度を向上させること。
• U-Net のエンコーダーおよびデコーダーに残差学習を統合することで、深層ネットワークにおける劣化を軽減すること。
• SE ブロックと ASPP の組み合わせが U-Net フレームワークにおいて医療画像セグメンテーションに有効であることを検証すること。
• 公開の肝臓セグメンテーションベンチマーク、LiTS17 および SLiver07 で最先端の性能を達成すること。

提案手法

• SE ブロックを U-Net エンコーダーの各畳み込み層の後に統合し、グローバルな文脈に基づいてチャネルごとの特徴応答を再キャリブレーションすることで、関連する特徴を強調し、不要な特徴を抑制する。
• 遷移層および出力層に Atrous Spatial Pyramid Pooling (ASPP) を導入し、異なる率の膨張畳み込みを用いてマルチスケールの文脈的情報を捉える。
• 標準的な畳み込みブロックに代えて残差ブロックを採用することで、勾配消失を緩和し、より深いネットワークの学習を可能にし、学習効率と精度を向上させる。
• U-Net のエンコーダー・デコーダー構造を維持し、収縮パスと拡張パス間の特徴統合を促進するスキップ接続を実装する。
• セグメンテーション性能を最適化するために、バイナリクロスエントロピー損失と Dice 損失の両方を用いて、エンドツーエンドでネットワークを訓練する。
• 標準的な指標（Dice、VOE、RVD、ASD、MSD）を用いて、2 つの公開データセット（LiTS17 および SLiver07）でモデルを評価する。

実験結果

リサーチクエスチョン

• RQ1 SE ブロックの統合により、肝臓 CT セグメンテーションを目的とした U-Net における特徴表現が向上するか？
• RQ2 Atrous Spatial Pyramid Pooling (ASPP) を統合することで、2D U-Net アーキテクチャにおけるマルチスケールの文脈モデリングおよびセグメンテーション精度が向上するか？
• RQ3 残差学習が U-Net ベースの肝臓セグメンテーションモデルにおける学習の深さと性能に、どの程度向上効果をもたらすか？
• RQ4 提案された SAR-U-Net は、ベンチマークとしての肝臓セグメンテーションデータセット（LiTS17 および SLiver07）において、最先端の 2D モデルと比較してどのように差をつけるか？
• RQ5 本モデルは、小規模、不連続、または明確でない肝臓領域といった困難なケースに対しても、堅牢に処理できるか？

主な発見

• LiTS17 データセットでは、SAR-U-Net が 95.71% の Dice スコアを達成し、比較対象の 2D ベースモデルを上回った。
• LiTS17 では、VOE が 9.52%、RVD が -0.84%、ASD が 1.54 mm、MSD が 29.14 mm であり、高いセグメンテーション精度と一貫性を示した。
• SLiver07 データセットでは、Dice スコアが 97.31% に達し、同等のモデルの中でも最高を記録した。VOE は 5.37%、RVD は -1.08%、ASD は 1.85 mm、MSD は 27.45 mm であった。
• 本モデルは、小規模、不連続、または明確でない肝臓領域のセグメンテーションにおいて、ベースラインの U-Net や関連アーキテクチャを上回る強力なロバスト性を示した。
• アブレーションスタディの結果、SE ブロック、ASPP、および残差学習の組み合わせが、個々のコンponentsよりも顕著に性能向上をもたらすことが確認された。
• 結果から、提案された SAR-U-Net アーキテクチャがマルチスケールの文脈を効果的に捉え、特徴の識別能を向上させることで、最先端のセグメンテーション精度を達成できることを検証した。