[논문 리뷰] BI-GCN: Boundary-Aware Input-Dependent Graph Convolution Network for Biomedical Image Segmentation

Yanda Meng, Hongrun Zhang외 6명|arXiv (Cornell University)|2021. 10. 27.

Retinal Imaging and Analysis참고 문헌 40인용 수 15

한 줄 요약

이 논문은 채널 및 공간 주의를 통해 데이터에 특화된 그래프 구조를 학습함으로써 장거리 의미적 추론을 향상시키는 경계 인식형, 입력 의존형 그래프 컨볼루션 네트워크인 BI-GCN을 제안한다. 이는 다핵세포 및 망막 녹내장/망막 중심의 영상 분할에서 각각 88.8% 및 91.1%의 평균 Dice 스코어로 최신 기술을 초월한다.

ABSTRACT

Segmentation is an essential operation of image processing. The convolution operation suffers from a limited receptive field, while global modelling is fundamental to segmentation tasks. In this paper, we apply graph convolution into the segmentation task and propose an improved extit{Laplacian}. Different from existing methods, our extit{Laplacian} is data-dependent, and we introduce two attention diagonal matrices to learn a better vertex relationship. In addition, it takes advantage of both region and boundary information when performing graph-based information propagation. Specifically, we model and reason about the boundary-aware region-wise correlations of different classes through learning graph representations, which is capable of manipulating long range semantic reasoning across various regions with the spatial enhancement along the object's boundary. Our model is well-suited to obtain global semantic region information while also accommodates local spatial boundary characteristics simultaneously. Experiments on two types of challenging datasets demonstrate that our method outperforms the state-of-the-art approaches on the segmentation of polyps in colonoscopy images and of the optic disc and optic cup in colour fundus images.

연구 동기 및 목표

• 생물의학 영상 분할에서 수신장이 제한된 컨volutional 네트워크(CNN)의 장거리 맥락적 의존성 포착 능력의 한계를 해결하기 위해.
• 멀리 떨어진 의미적으로 관련된 영역을 모델링하는 데 있어 희소한 확장 컨볼루션과 다중 스케일 융합의 비효율성을 극복하기 위해.
• 입력 특징에 적응하는 데이터 의존형 그래프 구조를 도입하여 전역적 의미적 추론을 향상시키면서도 경계 세부 정보를 유지하기 위해.
• 새로운 그래프 컨볼루션 메커니즘을 통해 영역 간 상관관계와 공간적 경계 특성에 명시적으로 모델링하여 분할 정확도를 향상시키기 위해.
• 특히 다핵세포 및 망막 녹내장/망막 중심과 같이 크기가 작거나 비정형적인 구조를 포함한 도전적인 생물의학 데이터셋에서 뛰어난 성능을 보여주기 위해.

제안 방법

• 채널 및 공간 주의를 사용하여 데이터 적응형 그래프 구조를 학습하는 경계 인식형 입력 의존형 그래프 컨볼루션(BI-GConv)을 제안한다.
• 입력 특징 임bedding 간의 내적곱 유사도를 통해 정점 간 관계를 계산하고, 채널별 및 공간별 주의를 통해 엣지 가중치를 정밀하게 조정한다.
• 그래프 기반 메시지 전파를 수행할 수 있도록 BI-GConv 모듈을 분할 프레임워크에 통합하여 영역 간 장거리 의존성을 포착한다.
• 특징 학습 중 공간적 경계를 강조하기 위해 경계 인식 모듈(BSM)을 사용하여 국소화 정확도를 향상시킨다.
• 의미적 관계와 경계 연속성을 동시에 모델링하는 그래프 표현 학습 메커니즘을 설계하여 특징 전파를 향상시킨다.
• 분할과 그래프 추론의 공동 최적화를 가능하게 하기 위해 교차 엔트로피 손실과 Dice 손실을 함께 사용하여 모델을 엔드 투 엔드로 훈련시킨다.

실험 결과

연구 질문

• RQ1 고정되거나 수작업으로 구성된 그래프 구조와 비교해 볼 때, 데이터 의존형 그래프 컨볼루션 메커니즘이 생물의학 영상 분할에서 장거리 의미적 추론을 향상시키는가?
• RQ2 그래프 기반 특징 전파에 경계 인식 기능을 통합할 경우, 크기 작거나 비정형적인 해부학적 구조의 분할 정확도에 어떤 영향을 미치는가?
• RQ3 기존의 데이터 독립형 라플라시안 행렬에 의존하는 그래프 컨볼루션 방법과 비교해 볼 때, 제안된 입력 의존형 그래프 구조는 어느 정도 뛰어난 성능을 보이는가?
• RQ4 채널별 및 공간별 주의 메커니즘이 그래프 엣지 가중치를 정밀하게 조정하여 더 나은 특징 표현을 어떻게 향상시키는가?
• RQ5 제안된 BI-GCN 프레임워크는 다핵세포 및 망막 녹내장/망막 중심 분할과 같은 다양한 생물의학 영상 분할 과제에 일반화 가능한가?

주요 결과

• 제안된 BI-GCN은 다핵세포 분할 데이터셋에서 평균 Dice 스코어 88.8%를 기록하여 이전 최고 기술보다 1.9%p 향상되었다.
• 망막 중심 및 망막 녹내장 분할 데이터셋에서 BI-GCN은 평균 Dice 스코어 91.1%를 기록하여 다음으로 좋은 방법보다 1.5%p 향상되었다.
• 제거 실험 결과, 경계 인식 모듈(BSM)을 추가하면 Dice 스코어가 1.0%p 향상되었고, 단일 BI-GConv 레이어를 사용하면 성능이 3.4%p 향상되었다.
• 세 개의 BI-GConv 레이어를 포함한 전체 모델이 가장 높은 성능을 보였으며, 다핵세포 분할에서 88.8%, 망막 중심/녹내장 분할에서 91.1%의 Dice 스코어를 기록하여 깊이 있는 그래프 추론의 효과를 입증했다.
• 모델은 높은 신뢰성을 유지하며, 모든 지표에서 95% 신뢰구간이 일관된 성능를 보였다.
• 입력 의존형 그래프 구조는 맥락적으로 관련된 장거리 관계를 학습함으로써 분할 성능을 크게 향상시키며, 특히 의미적으로 유사하지만 거리가 먼 영역에 대해 뚜렷한 효과를 보였다.