[논문 리뷰] Boundary Difference Over Union Loss For Medical Image Segmentation

Fan Sun, Zhiming Luo외 1명|arXiv (Cornell University)|2023. 08. 01.

Radiomics and Machine Learning in Medical Imaging인용 수 5

한 줄 요약

이 논문은 경계 영역에 집중하기 위해 영역 기반 계산을 활용하는 새로운 미분 가능한 손실 함수인 경계 DoU 손실(Boundary DoU Loss)을 제안한다. 이는 의료 영상 분할 성능을 향상시키며, 경계 영역에서 일치하지 않는 영역의 비율을 부분 합집합 집합에 대해 최소화함으로써 경계 정확도를 향상시킨다. 추가 손실 함수나 하이퍼파라미터 조정 없이도 α를 제외하고는 ACDC 및 Synapse 데이터셋에서 최신 기술 수준의 성능을 달성하며, Dice 점수에서 최대 2.30% 향상과 경계 IoU에서의 뚜렷한 향상을 이룬다.

ABSTRACT

Medical image segmentation is crucial for clinical diagnosis. However, current losses for medical image segmentation mainly focus on overall segmentation results, with fewer losses proposed to guide boundary segmentation. Those that do exist often need to be used in combination with other losses and produce ineffective results. To address this issue, we have developed a simple and effective loss called the Boundary Difference over Union Loss (Boundary DoU Loss) to guide boundary region segmentation. It is obtained by calculating the ratio of the difference set of prediction and ground truth to the union of the difference set and the partial intersection set. Our loss only relies on region calculation, making it easy to implement and training stable without needing any additional losses. Additionally, we use the target size to adaptively adjust attention applied to the boundary regions. Experimental results using UNet, TransUNet, and Swin-UNet on two datasets (ACDC and Synapse) demonstrate the effectiveness of our proposed loss function. Code is available at https://github.com/sunfan-bvb/BoundaryDoULoss.

연구 동기 및 목표

• 의료 영상 분할에서 경계 분할을 전적으로 최적화하는 데 효과적인 독립형 손실 함수의 부족을 해결한다.
• 보조 손실 함수나 복잡한 아키텍처에 의존하지 않고도 직접적으로 경계 영역을 타겟으로 하는 미분 가능한 손실 함수를 개발한다.
• 목표 크기에 기반한 주의력 조정을 통해 작은 또는 비정상적인 형태의 기관에 대해 특히 도전적인 경계 영역에서의 분할 성능을 향상시킨다.
• 거리 기반 또는 비미분 가능한 연산을 피하고 영역 기반 계산을 통해 훈련의 안정성과 구현 용이성을 확보한다.
• 단일 제안된 손실 함수만을 사용하여 다양한 모델(UNet, TransUNet, Swin-UNet)과 데이터셋(ACDC, Synapse)에서 일관된 성능 향상을 입증한다.

제안 방법

• 지상 진술 및 예측 마스크의 내부 경계를 근사하기 위해 고정 너비의 침식 연산(이미지 대각선 길이의 0.5%로 결정)을 사용해 경계 영역을 정의한다.
• 경계 DoU 손실을 대칭 차집합 집합(G ∪ P − G ∩ P)과 부분 합집합 집합(G ∪ P − α·G ∩ P)의 비율로 정의한다. 여기서 α < 1은 교차 영역의 영향을 조절한다.
• α를 목표 크기에 기반한 유연한 하이퍼파라미터로 설정하여, 크기가 작은 목표물에서는 경계 영역에 더 큰 주의를 기울이도록 크기 인식 스케일링을 적용한다.
• 침식 연산과 같은 비미분 가능한 연산을 피함으로써 손실 계산에서의 미분 가능성을 확보하여 엔드 투 엔드 백프로파게이션을 가능하게 한다.
• 추가 손실 구성 요소나 복잡한 스케줄링이 필요 없이 표준 훈련 파이프라인에 직접 통합된다.
• 표준 텐서 연산(합집합, 교차, 뺄셈)을 사용해 구현하여 PyTorch 및 기타 딥러닝 프레임워크에 쉽게 배포할 수 있다.

실험 결과

연구 질문

• RQ1 보조 손실 함수에 의존하지 않고도 효과적으로 경계 분할 성능을 향상시킬 수 있는, 영역 기반의 미분 가능한 손실 함수가 가능한가?
• RQ2 기본 손실 함수(Dice, CE, Tversky 등)와 비교했을 때 제안된 경계 DoU 손실은 경계 정렬 및 전체 분할 품질 측면에서 어떻게 성능을 내는가?
• RQ3 목표 크기에 기반한 적응형 주의력 조정이 작은 또는 복잡한 형태의 해부학적 구조에서 성능 향상에 얼마나 기여하는가?
• RQ4 경계 DoU 손실은 다양한 데이터셋과 모델 아키텍처에서 큰 목표물과 작은 목표물 모두에서 성능 향상을 이끌 수 있는가?
• RQ5 Boundary IoU에서 일관된 성능 향상을 달성할 수 있으며, 동시에 Dice 점수 및 Hausdorff 거리와 같은 표준 지표를 유지하거나 향상시킬 수 있는가?

주요 결과

• Synapse 데이터셋에서, UNet, TransUNet, Swin-UNet에 대해 각각 Dice Loss 대비 2.30%, 1.20%, 1.89% 향상된 Dice 점수를 기록했다.
• ACDC 및 Synapse 데이터셋에서 모두 최고의 Boundary IoU 점수를 확보하여, 경계 정렬 최적화에 효과적임을 입증했다.
• ACDC 데이터셋에서, UNet, TransUNet, Swin-UNet에 대해 각각 Dice Loss 대비 0.62%, 0.60%, 0.85% 향상된 Dice 점수를 기록했다.
• 정성적 결과에서 복잡한 기관(예: 췌장, 위)의 경계 정확도가 향상되었고, 오른쪽 심실 및 심내막과 같은 작은 또는 고리형 구조에서의 과소 또는 잘못된 분할 현상이 감소했다.
• 모든 목표물 크기에서 일관된 성능 향상을 보였으며, C/S 비율 측정 기준으로 큰 목표물과 작은 목표물 모두에서 뚜렷한 향상이 있었다.
• 안정적인 훈련을 달성했으며, 기존의 경계 손실(13)과 같이 가중 조합의 점진적 감소가 필요한 추가 손실 구성 요소나 학습률 스케줄링이 필요하지 않았다.