[논문 리뷰] Boundary Aware Networks for Medical Image Segmentation.

Ali Hatamizadeh, Demetri Terzopoulos외 1명|arXiv (Cornell University)|2019. 08. 21.

Radiomics and Machine Learning in Medical Imaging참고 문헌 9인용 수 5

한 줄 요약

이 논문은 의료 영상 분할을 위한 경계 인지 네트워크(Boundary Aware Networks, BAN)를 제안하며, 완전 컨volution 네트워크에 전용 에지 브랜치와 에지 인지 손실 함수를 통합하여 경계 검출 성능을 향상시킵니다. BraTS 2018에서 평가한 결과, BAN은 장기 경계를 명시적으로 모델링함으로써 분할 정확도를 향상시켜 표준 CNN보다 미세 해부학적 구조를 더 잘 포착함을 입증합니다.

ABSTRACT

Fully convolutional neural networks (CNNs) have proven to be effective at representing and classifying textural information, thus transforming image intensity into output class masks that achieve semantic image segmentation. In medical image analysis, however, expert manual segmentation often relies on the boundaries of anatomical structures of interest. We propose boundary aware CNNs for medical image segmentation. Our networks are designed to account for organ boundary information, both by providing a special network edge branch and edge-aware loss terms, and they are trainable end-to-end. We validate their effectiveness on the task of brain tumor segmentation using the BraTS 2018 dataset. Our experiments reveal that our approach yields more accurate segmentation results, which makes it promising for more extensive application to medical image segmentation.

연구 동기 및 목표

• 전문가 수작업 분할에서 핵심적인 역할을 하는 해부학적 구조 경계를 명시적으로 모델링하여 의료 영상 분할 성능을 향상시키기 위해.
• 표준 CNN이 무늬와 강도 패턴에 대해 뛰어난 성능을 보이지만 정밀한 장기 경계를 포착하는 데 한계가 있음에도 불구하고 이를 보완하기 위해.
• 정신적 분할과 경계 검출을 동시에 최적화할 수 있는 엔드 투 엔드 학습이 가능한 네트워크 아키텍처를 개발하기 위해.
• 실제 의료 영상 기준 벤치마크, 특히 뇌 종양 분할에서 경계 인지 학습의 효과를 검증하기 위해.

제안 방법

• 주 분할 브랜치와 장기 경계를 탐지하기 위한 전용 에지 브랜치를 갖춘 이중 브랜치 네트워크 아키텍처를 도입합니다.
• 에지 예측 오류에 페널티를 주는 에지 인지 손실 함수를 적용하여 더 선명하고 정확한 분할 마스크를 유도합니다.
• 분할 브랜치와 에지 브랜치에서 유도된 손실을 병합하여 전체 네트워크를 엔드 투 엔드로 학습합니다.
• 다중 척도 특징을 활용하여 경계 표현을 향상시키고 정밀한 국소화 정확도를 개선합니다.
• 예측된 에지 맵을 보조 감독으로 활용하여 최종 분할 출력을 보다 정교하게 개선합니다.

실험 결과

연구 질문

• RQ1 의료 영상 분할 딥 러닝 모델에서 장기 경계를 명시적으로 모델링하면 정확도가 향상되는가?
• RQ2 전용 에지 브랜치와 에지 인지 손실을 통합할 경우 도전적인 의료 영상 작업에서 분할 성능에 어떤 영향을 미치는가?
• RQ3 경계 인지 아키텍처를 엔드 투 엔드로 학습하면 표준 CNN보다 더 나은 일반화 능력과 경계 국소화 성능을 보이는가?

주요 결과

• 제안된 경계 인지 네트워크는 표준 완전 컨볼루션 네트워크보다 BraTS 2018 데이터셋에서 더 높은 분할 정확도를 달성합니다.
• 에지 브랜치와 에지 인지 손실 함수의 통합은 더 선명하고 해부학적으로 타당한 분할 경계를 만들어냅니다.
• 모델은 정밀한 종양 경계 설정이 필요한 임상 작업에서 뛰어난 경계 국소화 능력을 보입니다.
• 경계 인지 아키텍처의 엔드 투 엔드 학습은 분할과 에지 검출을 효과적으로 공동 최적화할 수 있도록 합니다.