[논문 리뷰] 3D Densely Convolutional Networks for Volumetric Segmentation

Toan Duc Bui, Jitae Shin외 1명|arXiv (Cornell University)|2017. 09. 11.

Advanced Neural Network Applications참고 문헌 2인용 수 52

한 줄 요약

이 논문은 다중 스케일 특성 융합과 공간 정보를 보존하기 위한 stride-2 합성곱으로 더 적은 파라미터로 더 높은 정확도를 달성하는 깊은 3D Dense 연결 네트워크(3D-DenseSeg)를 제안한다.

ABSTRACT

In the isointense stage, the accurate volumetric image segmentation is a challenging task due to the low contrast between tissues. In this paper, we propose a novel very deep network architecture based on a densely convolutional network for volumetric brain segmentation. The proposed network architecture provides a dense connection between layers that aims to improve the information flow in the network. By concatenating features map of fine and coarse dense blocks, it allows capturing multi-scale contextual information. Experimental results demonstrate significant advantages of the proposed method over existing methods, in terms of both segmentation accuracy and parameter efficiency in MICCAI grand challenge on 6-month infant brain MRI segmentation.

연구 동기 및 목표

• 저조도 조직 대비인 아이 뇌 MRI 분할의 일치도 문제(isointense) 해결.
• 3D 부피 분할에서 정보 흐름과 그래디언트 흐름을 개선하기 위해 DenseNet을 활용.
• stride-2 합성곱 및 bottleneck DenseNet (DenseNet-BC) 설계를 통해 파라미터 수를 줄이면서 공간 정보를 보존.
• 정밀한(Dense) 블록과 조잡한(Dense) 블록의 특성 융합으로 다중 스케일 컨텍스트 정보를 Incorporate.
• iSeg 6개월 아이 뇌 MRI 분할 벤치마크에서의 유효성 시연

제안 방법

• DenseNet을 3D 부피 분할로 확장한 47층 아키텍처(3D-DenseSeg) 제시.
• 공간 정보를 보존하고 파라미터 수를 줄이기 위해 풀링을 stride-2 합성곱으로 대체.
• 특징 맵을 촘촘하게 유지하기 위해 bottleneck 및 압축(DenseNet-BC) 사용(성장률 k=16; 전이에서 theta=0.5).
• 4개의 Dense Block으로 구성된 다운샘플링 경로를 구성하여 다중 스케일 특징 추출(BN-ReLU-Conv(1x1x1)-BN-ReLU-Conv(3x3x3) + 드롭아웃).
• Dense Block 사이에 트랜지션 블록과 stride-2 합성곱을 적용하여 공간 큐를 유지하며 다운샘플링.
• 업샘플링 경로에서 각 Dense Block 뒤에 3D 업샘플링을 수행하고 다중 수준의 특징을 결합하여 다중 스케일 컨텍스트를 확보.
• 연결된 특징을 1x1x1 합성곱과 소프트맥스(softmax)로 분류하여 조직 확률 맵을 생성

실험 결과

연구 질문

• RQ1 동일 강도(isointense) 아이 뇌 MRI에서 Dense 연결 3D 네트워크가 기존 3D 분할 모델에 비해 부피 분할을 개선할 수 있는가?
• RQ2 정교한(Dense) 및 조밀한 Dense Blocks에서의 다중 스케일 특징 융합이 파라미터 효율성을 유지하며 분할 정확도를 높이는가?
• RQ3 풀링을 stride-2 합성곱으로 대체했을 때 3D 네트워크에서 공간 정보 보존 및 분할 성능에 어떤 영향을 미치는가?
• RQ4 DenseNet-BC 벤치넥이 3D 분할 작업의 파라미터 감소에 어떤 이점을 주는가?
• RQ5 제안된 방법이 iSeg 6개월 아이 뇌 MRI 분할 벤치마크에서 최첨단 방법과 비교하여 어떤 성과를 보이는가?

주요 결과

• 3D-DenseSeg 아키텍처는 47층으로 1.55M 파라미터를 가지며, 검증 데이터에서 3D-Unet 및 DenseVoxNet을 정확도 면에서 앞섰다(DSC: 92.50 대 89.57 및 85.46).
• iSeg 데이터셋에서 본 방법은 보고된 검증 결과에서 경쟁 방법들보다 더 높은 DSC 점수로 최첨단 성능을 달성했다.
• dense 연결이 정보 흐름과 다중 스케일 컨텍스트 포착을 개선하도록 촉진하며, 미세 및 거친 Dense Block의 연결을 통해 다중 스케일 정보를 결합한다.
• 풀링을 stride-2 합성곱으로 대체하면 공간 정보를 보존하면서 파라미터의 소폭 증가로 성능 향상을 가져온다.
• DenseNet-BC 설계는 파라미터 수를 줄이면서 매우 깊은 네트워크를 가능하게 하여 정확도와 효율성에 기여한다.