[논문 리뷰] Asymmetric Similarity Loss Function to Balance Precision and Recall in Highly Unbalanced Deep Medical Image Segmentation

Seyed Raein Hashemi, Seyed Sadegh Mohseni Salehi외 4명|arXiv (Cornell University)|2018. 03. 28.

Advanced Neural Network Applications참고 문헌 39인용 수 12

한 줄 요약

이 논문은 고도로 불균형한 3D 의료 영상 분할에서 정밀도와 재현율을 균형 있게 조절하기 위해 $F_\beta$ 점수를 기반으로 한 비대칭 유사도 손실 함수를 제안한다. 겹치는 패치를 사용하는 패치 기반 3D 밀집 연결 네트워크, B-spline 가중 소프트 투표 융합, 그리고 비대칭 손실를 조합함으로써, F1 및 F2 점수와 정밀도-재현율 곡선 아래 면적(AUPRC)이 향상되어 MSSEG 2016에서 69.8%의 Dice를, ISBI 2015에서 65.74%의 Dice를 달성한다.

ABSTRACT

Fully convolutional deep neural networks have been asserted to be fast and precise frameworks with great potential in image segmentation. One of the major challenges in utilizing such networks raises when data is unbalanced, which is common in many medical imaging applications such as lesion segmentation where lesion class voxels are often much lower in numbers than non-lesion voxels. A trained network with unbalanced data may make predictions with high precision and low recall, being severely biased towards the non-lesion class which is particularly undesired in medical applications where false negatives are actually more important than false positives. Various methods have been proposed to address this problem including two step training, sample re-weighting, balanced sampling, and similarity loss functions. In this paper we developed a patch-wise 3D densely connected network with an asymmetric loss function, where we used large overlapping image patches for intrinsic and extrinsic data augmentation, a patch selection algorithm, and a patch prediction fusion strategy based on B-spline weighted soft voting to take into account the uncertainty of prediction in patch borders. We applied this method to lesion segmentation based on the MSSEG 2016 and ISBI 2015 challenges, where we achieved average Dice similarity coefficient of 69.8% and 65.74%, respectively, using our proposed patch-wise 3D densely connected network. Significant improvement in $F_1$ and $F_2$ scores and the area under the precision-recall curve was achieved in test using the asymmetric similarity loss layer and our 3D patch prediction fusion method. The asymmetric similarity loss function based on $F_\beta$ scores generalizes the Dice similarity coefficient and can be effectively used with the patch-wise strategy developed here to train fully convolutional deep neural networks for highly unbalanced image segmentation.

연구 동기 및 목표

• 병변 볼륨이 비병변 볼륨에 비해 극도로 적은 고도로 불균형한 의료 영상 분할 문제를 해결하기 위해.
• 딥 러닝 모델에서 대부분의 클래스(비병변)에 대한 편향을 줄이기 위해, 이는 종종 낮은 재현율과 높은 거짓 음성 비율을 초래한다.
• 특히 진단 누락을 최소화하기 위해 재현율을 우선시하면서도 병변 분할 작업에서 정밀도와 재현율을 동시에 향상시키기 위해.
• Dice 계수를 일반화하고 $F_\beta$ 기반 최적화를 통해 임상적 우선순위와 더 잘 부합하는 손실 함수를 개발하기 위해.
• 패치 기반 학습과 B-s플라인 가중 소프트 투표를 통한 불확실성 인식 융합을 통합하여 경계 예측의 신뢰성을 향상시키기 위해.

제안 방법

• 대규모이고 겹치는 영상 패치에서 훈련된 3D 밀집 연결 완전 컨volution 네트워크를 통해 특징 학습과 강건성을 향상시킨다.
• 패치 선택 알고리즘을 사용하여 병변 영역의 다양성과 커버리지가 보장되도록 패치를 선택한다.
• 겹치는 패치의 예측을 융합하기 위해 B-spline 가중 소프트 투표 전략을 사용하여 패치 경계에서의 불확실성을 감소시킨다.
• 비대칭 유사도 손실 함수를 도입하였으며, 이는 $F_\beta$ 점수에서 유도되어 클래스 불균형 설정에서 재현율을 정밀도보다 우선시한다.
• 손실 함수는 Dice 계수를 일반화하며, 훈련 중 엔드 투 엔드 최적화를 통해 희귀 클래스의 분할 성능을 향상시킨다.
• 내재적 및 외재적 데이터 증강을 패치에 적용하여 훈련 다양성과 모델 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 고도로 불균형한 3D 의료 영상 분할에서 $F_\beta$ 점수를 기반으로 한 비대칭 손실 함수가 정밀도와 재현율을 효과적으로 균형 있게 조절할 수 있는가?
• RQ2 겹치는 패치를 사용한 패치 기반 학습과 소프트 투표 융합은 병변 경계에서 분할 정확도를 어떻게 향상시키는가?
• RQ3 제안된 손실 함수가 F1 및 F2 점수와 정밀도-재현율 곡선 아래 면적 측면에서 표준 Dice 손실에 비해 어느 정도 뛰어나게 성능을 발휘하는가?
• RQ4 비대칭 손실을 3D 밀집 연결 네트워크와 통합하면 MSSEG 2016 및 ISBI 2015와 같은 벤치마크 데이터셋에서 성능 향상이 이루어지는가?

주요 결과

• 제안된 비대칭 유사도 손실 함수는 표준 Dice 기반 학습에 비해 F1 및 F2 점수를 크게 향상시켰다.
• MSSEG 2016 챌린지 데이터셋에서 평균 Dice 유사도 계수는 69.8%를 달성했다.
• ISBI 2015 챌린지 데이터셋에서는 Dice 유사도 계수 65.74%를 달성했다.
• 정밀도-재현율 곡선 아래 면적이 뚜렷이 향상되어 소수의 병변 클래스에서의 성능 향상이 확인되었다.
• B-spline 가중 소프트 투표 융합 전략은 패치 경계에서의 예측 불확실성을 효과적으로 감소시켜 경계 국소화 정확도를 향상시켰다.
• 패치 기반 학습, 비대칭 손실, 밀집 연결성의 조합은 평가된 벤치마크에서 최신 기술 수준의 성능을 달성했다.