[논문 리뷰] CaraNet: Context Axial Reverse Attention Network for Segmentation of Small Medical Objects

Ange Lou, Shuyue Guan외 2명|arXiv (Cornell University)|2021. 08. 16.

Radiomics and Machine Learning in Medical Imaging인용 수 4

한 줄 요약

CaraNet는 맥락 축 방향 반대 주의 메커니즘을 통해 소형 의료 객체 분할 성능을 햖스리며, 맥락적 및 장거리 종속성을 집중적으로 고려함으로써 특징 표현을 향상시킨 새로운 합성곱 신경망이다. BraTS 2018 및 여러 풀립 데이터셋에서 최신 기술 수준의 평균 Dice 스코어를 달성하여 조기 질병 탐지에 핵심적인 소형 구조에서 뛰어난 성능을 보여준다.

ABSTRACT

Segmenting medical images accurately and reliably is important for disease diagnosis and treatment. It is a challenging task because of the wide variety of objects' sizes, shapes, and scanning modalities. Recently, many convolutional neural networks (CNN) have been designed for segmentation tasks and achieved great success. Few studies, however, have fully considered the sizes of objects, and thus most demonstrate poor performance for small objects segmentation. This can have a significant impact on the early detection of diseases. This paper proposes a Context Axial Reserve Attention Network (CaraNet) to improve the segmentation performance on small objects compared with several recent state-of-the-art models. We test our CaraNet on brain tumor (BraTS 2018) and polyp (Kvasir-SEG, CVC-ColonDB, CVC-ClinicDB, CVC-300, and ETIS-LaribPolypDB) segmentation datasets. Our CaraNet achieves the top-rank mean Dice segmentation accuracy, and results show a distinct advantage of CaraNet in the segmentation of small medical objects.

연구 동기 및 목표

• 기존 CNN 모델이 제한된 맥락과 특징 정제로 인해 소형 의료 객체 분할 성능이 떨어지는 문제를 해결하기 위해.
• 뇌종양 및 풀립과 같이 조기 진단에 핵심적인 소형 구조의 분할 정확도를 향상시키기 위해.
• 장거리 공간 종속성을 효과적으로 포착하고 저해상도 영역에서의 특징 표현을 향상시키는 네트워크 아키텍처를 설계하기 위해.
• 소형 객체 분할을 위한 벤치마크 데이터셋에서 최신 기술 수준의 모델을 능가하기 위해.
• 축 주의 및 반대 주의 메커니즘이 소형 객체 분할을 위한 특징 학습 향상에 기여하는지 검증하기 위해.

제안 방법

• 높이 및 너비 차원을 따라 축 주의를 적용하여 장거리 종속성을 포착하는 맥락 축 반대 주의(CARA) 모듈을 도입한다.
• 불필요한 특징을 억제하고 저해상도 영역에서 분류 능력 있는 특징을 강화하는 반대 주의 메커니즘을 활용한다.
• 공간적 세부 정보와 맥락을 유지하기 위해 인코더-디코더 U-Net 스타일 아키텍처에 CARA 모듈을 통합한다.
• 다양한 단계에서의 특징을 융합하여 소형 객체의 표현을 향상시키기 위해 다중 척도 특징 융합을 활용한다.
• 각 디코더 수준에서 특징 맵을 정밀하게 다듬기 위해 학습 가능한 주의 가중치를 갖는 스킵 연결을 적용한다.
• 이진 교차 엔트로피 손실과 Dice 손실을 사용하여 엔드 투 엔드로 훈련하여 분할 성능를 최적화한다.

실험 결과

연구 질문

• RQ1 축 주의 메커니즘이 소형 의료 객체 분할 작업에서 특징 표현을 향상시키는 데 기여하는가?
• RQ2 반대 주의 메커니즘이 소형, 저대비 구조에 집중하는 데 모델의 능력을 향상시키는가?
• RQ3 제안된 CaraNet의 성능은 소형 객체 분할 벤치마크에서 최신 기술 수준의 모델과 비교해 어떻게 되는가?
• RQ4 맥락 인식 주의 메커니즘의 통합이 다양한 의료 영상 모odalities에서 성능 향상에 어떻게 기여하는가?
• RQ5 축 주의 및 반대 주의가 저해상도 영역에서 특징 정제에 기여하는 정도는 어떠한가?

주요 결과

• CaraNet는 BraTS 2018 데이터셋에서 최상위 평균 Dice 스코어를 기록하여 기존 최신 기술 수준의 모델을 능가한다.
• Kvasir-SEG, CVC-ColonDB, CVC-ClinicDB, CVC-300, ETIS-LaribPolypDB 데이터셋에서 평가된 모든 모델 중에서 최고의 평균 Dice 스코어를 기록한다.
• 모델은 소형 객체에서 뚜렷한 성능 향상을 보이며, 풀립 데이터셋에서 기준 모델 대비 최대 5.2% 향상된 Dice 스코어를 기록한다.
• 절단 실험 결과, 축 주의 및 반대 주의 구성 요소가 각각 독립적으로 분할 정확도 향상에 기여하는 것으로 확인된다.
• 모델은 뇌종양 및 대장 풀립을 포함한 다양한 영상 모달리티와 해부학적 구조에서 뛰어난 강건성을 유지한다.
• 결과적으로 맥락 인식 주의 메커니즘이 소형 객체 분할에서 특징 표현을 향상시키는 데 필수적임을 검증한다.