[論文レビュー] UNet++: A Nested U-Net Architecture for Medical Image Segmentation

Zongwei Zhou, Md Mahfuzur Rahman Siddiquee+2 more|arXiv (Cornell University)|Jul 18, 2018

Advanced Neural Network Applications参考文献 9被引用数 270

ひとこと要約

UNet++ はエンコーダとデコーダの特徴量間の意味的ギャップを埋めるために、ネストした密なスキップ経路と深層監視を導入し、複数の医用セグメンテーションタスクで U-Net および Wide-U-Net より高い IoU を達成します。

ABSTRACT

In this paper, we present UNet++, a new, more powerful architecture for medical image segmentation. Our architecture is essentially a deeply-supervised encoder-decoder network where the encoder and decoder sub-networks are connected through a series of nested, dense skip pathways. The re-designed skip pathways aim at reducing the semantic gap between the feature maps of the encoder and decoder sub-networks. We argue that the optimizer would deal with an easier learning task when the feature maps from the decoder and encoder networks are semantically similar. We have evaluated UNet++ in comparison with U-Net and wide U-Net architectures across multiple medical image segmentation tasks: nodule segmentation in the low-dose CT scans of chest, nuclei segmentation in the microscopy images, liver segmentation in abdominal CT scans, and polyp segmentation in colonoscopy videos. Our experiments demonstrate that UNet++ with deep supervision achieves an average IoU gain of 3.9 and 3.4 points over U-Net and wide U-Net, respectively.

研究の動機と目的

• エンコーダとデコーダの特徴マップ間の意味的ギャップを縮小することにより、医用画像のセグメンテーション精度を向上させる。
• 勾配フローと特徴量融合を強化するため、密結合を持つ再設計されたスキップ経路を導入する。
• 性能を犠牲にせずに多分岐出力とモデル剪定を可能にする深層監視を活用する。

提案手法

• エンコーダ特徴をデコーダ特徴と融合する前に、ネストされた密なスキップ経路でエンコーダ特徴を段階的に豊かにする UNet++ を提案する。
• スキップ経路上で密な畳み込みブロックを用いて、エンコーダとデコーダのマップ間の意味的ギャップを埋める。
• 複数の意味レベルで補助的なセグメンテーション出力を追加し、損失を組み合わせることで深層監視を適用する。
• 精度を維持しつつ推論時間を短縮するため、深層監視による剪定機構を提供する。
• 4つのデータセットにわたってU-Netおよびwide U-Netと比較し、性能向上を評価する。

実験結果

リサーチクエスチョン

• RQ1 UNet++ は多様な医用画像タスクにおいて、U-Net および wide U-Net より高い IoU を達成しますか？
• RQ2 深層監視はセグメンテーション性能とモデル剪定の有効性に寄与しますか？
• RQ3 剪定を適用した場合、推論速度の観点で UNet++ はどのように性能を示しますか？
• RQ4 ネスト化されたスキップ経路と深層監視の恩恵を最も受けるデータセットはどれですか？

主な発見

• 深層監視なしの UNet++ は、U-Net を平均で 2.8 ポイント、wide U-Net を平均で 3.3 ポイント上回る IoU の向上を達成します。
• 深層監視を備えた UNet++ は、U-Net を平均で 3.9 ポイント、wide U-Net を平均で 3.4 ポイント上回る IoU の向上をもたらします。
• 深層監視は肝臓および肺結節データセットのセグメンテーションを改善する一方で、細胞核および結腸ポリープデータセットでは利得はそれほど顕著でない。
• UNet++ を L3 に剪定すると、平均で推論時間を 32.2% 削減するが、IoU は 0.6 ポイント低下する程度に抑えられる。
• 4 つのデータセットにおいて、UNet++ はベースラインよりパラメータ数が少ないまま、優れた性能または同等の性能を示す。