[논문 리뷰] Attention U-Net Based Adversarial Architectures for Chest X-ray Lung Segmentation

Gusztáv Gaál, Balázs Maga외 1명|arXiv (Cornell University)|2020. 03. 23.

COVID-19 diagnosis using AI참고 문헌 12인용 수 128

한 줄 요약

논문은 흉부 엑스레이의 폐 분할을 위해 Adversarial Critic(adv. ATTN U-Net)을 가진 Attention U-Net을 제안하며, Dice 점수는 높고 데이터셋 간 일반화가 잘 이루어진다. Focal Tversky Loss와 구조 보정형 적대적 프레임워크를 사용하여 분할 형태를 다듬는다.

ABSTRACT

Chest X-ray is the most common test among medical imaging modalities. It is applied for detection and differentiation of, among others, lung cancer, tuberculosis, and pneumonia, the last with importance due to the COVID-19 disease. Integrating computer-aided detection methods into the radiologist diagnostic pipeline, greatly reduces the doctors' workload, increasing reliability and quantitative analysis. Here we present a novel deep learning approach for lung segmentation, a basic, but arduous task in the diagnostic pipeline. Our method uses state-of-the-art fully convolutional neural networks in conjunction with an adversarial critic model. It generalized well to CXR images of unseen datasets with different patient profiles, achieving a final DSC of 97.5% on the JSRT dataset.

연구 동기 및 목표

• 흉부 X-레이에서 Attention U-Net 아키텍처를 사용하여 폐 분할 정확도를 개선한다.
• ROI 사전 선택 없이도 더 현실적인 분할 마스크를 만들기 위해 적대적 가이던스를 도입한다.
• ground-truth 마스크를 가진 여러 공공 흉부 X-레이 데이터셋에서 방법의 일반화를 평가한다.
• 불균형하거나 작은 ROI에 특히 적합한 의학 영상 분할 손실 함수를 탐구한다.

제안 방법

• 외부 ROI 사전선택 없이 관련 로컬 특성에 집중하는 Attention U-Net 아키텍처를 채택한다.
• 현실적인 분할 마스크를 촉진하기 위해 SCAN에서 영감을 받은 적대적 비평가 모델을 통합한다.
• 클래스 불균형과 작은 폐 영역 문제를 다루기 위해 손실 함수를 표준 손실에서 Focal Tversky Loss로 대체한다.
• S(분할자)와 D(비평가)로 구성된 min-max 목적함수를 사용하고 픽셀 단위 손실과 적대적 손실의 균형을 조절하는 lambda를 0.1로 설정한다.
• 생성기를 50에포크로 사전 학습하고 그 이후 5개의 생성기 업데이트마다 1회의 비평가 업데이트로 적대적으로 학습한다.
• CLAHE로 데이터 전처리, 512x512로 리사이즈, [-1,1]로 정규화하여 강건한 학습을 도모한다.

실험 결과

연구 질문

• RQ1 Attention Gate가 ROI 사전선택 없이도 U-Net의 폐 분할 성능을 개선할 수 있는가?
• RQ2 적대적 비평가가 강력한 Attention U-Net 기본보다 분할 마스크의 현실감을 개선하는가?
• RQ3 다양한 환자 프로필과 영상 조건을 가진 JSRT, Montgomery, Shenzhen 데이터셋에서 모델이 일반화될 수 있는가?
• RQ4 흉부 X-레이 분할에서 불균형하고 작은 목표 영역을 다루는 최적의 손실 함수는 무엇인가?

주요 결과

• 제안된 방법은 JSRT 데이터셋에서 Dice 점수 0.975를 달성(초록에 보고된 최종 DSC 97.5%).
• JSRT, SCAN, 및 Ours (Adv. ATTN) 비교에서 JSRT: 97.3±0.8% (SCAN), 96.3±0.7% (ATTN U-Net), 97.6±0.5% (Adv. ATTN).
• 모든 데이터셋을 고려할 때 Ours (Adv. ATTN)는 96.2±0.4% (All) 대 95.8±0.4% (SC AN)로 일반화.
• 모든 데이터셋을 합산하면 All / JSRT에서 Adv. ATTN이 97.8±0.6% 대 ATTN U-Net의 96.6±0.6%를 보임.
• 적대적 프레임워크는 형태 보정과 Dice 점수의 소폭 향상을 제공했고, 전처리는 데이터셼 간 일반화에 강점을 제공한다.
• 학습은 일부 이전 연구보다 빠르며 총 40에포크로 안정적인 SGD 최적화 구성을 보인다.