[논문 리뷰] Cascaded Context Enhancement for Automated Skin Lesion Segmentation

Ruxin Wang, Shu‐Yuan Chen외 2명|arXiv (Cornell University)|2020. 04. 17.

Cutaneous Melanoma Detection and Management참고 문헌 45인용 수 6

한 줄 요약

이 논문은 게이트 기반 연속적 맥락 통합(Cascaded Context Aggregation, CCA) 모듈을 사용하여 저수준에서 고수준 특징을 순차적으로 통합하고, 맥락 유도 지역 유사도 모듈을 통해 예측을 정밀하게 보정함으로써 자동 피부 병변 분할을 위한 계단식 맥락 강화 네트워크를 제안한다. 제안된 방법은 각각 ISIC-2016, ISIC-2017, PH2 데이터셋에서 87.1%, 80.3%, 86.6%의 최신 기술 수준(Jaccard Index)을 달성한다.

ABSTRACT

Skin lesion segmentation is an important step for automated melanoma diagnosis. Due to the non-negligible diversity of lesions from different patients, extracting powerful context for fine-grained semantic segmentation is still challenging today. In this paper, we formulate a cascaded context enhancement neural network for skin lesion segmentation. The proposed method adopts encoder-decoder architecture, a new cascaded context aggregation (CCA) module with gate-based information integration approach is proposed for sequentially and selectively aggregating original image and encoder network features from low-level to high-level. The generated context is further utilized to guide discriminative features extraction by the designed context-guided local affinity module. Furthermore, an auxiliary loss is added to the CCA module for refining the prediction. In our work, we evaluate our approach on three public datasets. We achieve the Jaccard Index (JA) of 87.1%, 80.3% and 86.6% on ISIC-2016, ISIC-2017 and PH2 datasets, which are higher than other state-of-the-art methods respectively.

연구 동기 및 목표

• 높은 환자 간 병변 변동성으로 인해 발생하는 피부 병변 영상에서의 세밀한 의미 분할 과제를 해결한다.
• 저수준에서 고수준 인코더 특징까지 순차적으로 통합함으로써 맥락 표현을 향상시킨다.
• 맥락 유도 지역 유사도 모델링을 통해 분류 가능한 특징 학습을 향상시킨다.
• 계단식 맥락 통합 모듈에 보조 손실을 적용하여 분할 예측을 정밀하게 보정한다.
• 다양한 공개 피부 병변 분할 벤치마크에서 최신 기술 수준의 성능을 달성한다.

제안 방법

• 특징 추출 및 분할을 위해 인코더-디코더 아키텍처를 백본으로 사용한다.
• 게이트 기반 메커니즘을 사용하여 인코더의 특징을 순차적으로 융합하는 계단식 맥락 통합(Cascaded Context Aggregation, CCA) 모듈을 설계한다.
• 원본 이미지 특징과 인코더 특징을 저수준에서 고수준으로 향하는 순차적 방식으로 통합한다.
• 강화된 맥락을 활용하여 국소 특징을 정밀하게 보정함으로써 개선된 분할 성능를 얻기 위한 맥락 유도 지역 유사도 모듈을 도입한다.
• 맥락 학습을 보조하고 특징 표현을 향상시키기 위해 CCA 모듈에 보조 손실을 적용한다.
• 엔드 투 엔드 최적화를 위해 표준 분할 손실과 보조 손실을 함께 사용하여 네트워크를 훈련시킨다.

실험 결과

연구 질문

• RQ1 높은 병변 다양성에도 불구하고 계단식 게이트 기반 맥락 통합이 피부 병변 분할을 위한 특징 표현을 향상시킬 수 있는가?
• RQ2 저수준 및 고수준 특징의 순차적 통합은 병렬 또는 단일 단계 통합과 비교해 분할 정확도에 어떤 영향을 미치는가?
• RQ3 맥락 유도 지역 유사도 모듈이 분류 가능한 특징 학습을 어느 정도 향상시키는가?
• RQ4 CCA 모듈에 적용된 보조 손실이 수렴성과 분할 성능 향상에 기여하는가?
• RQ5 제안된 방법은 ISIC-2016, ISIC-2017, PH2와 같은 다양한 피부 병변 데이터셋 간에 일반화 가능한가?

주요 결과

• 제안된 방법은 ISIC-2016 데이터셋에서 Jaccard Index(JA) 87.1%를 달성하여 이전 최신 기술 수준의 방법들을 능가한다.
• ISIC-2017 데이터셋에서는 JA 80.3%를 기록하여 도전적인 병변 변동성에 대해서도 뛰어난 성능을 보인다.
• PH2 데이터셋 결과는 JA 86.6%를 기록하여 다양한 병변 특성에 대한 강건성과 일반화 능력을 입증한다.
• CCA 모듈에 적용된 보조 손실은 특징 학습 향상과 더 나은 분할 결과를 이끌어낸다.
• 게이트 기반 계단식 맥락 통합은 다수의 추상화 수준에서 맥락 정보를 효과적으로 캡처하고 정밀하게 보정한다.
• 맥락 유도 지역 유사도 모듈은 국소 특징의 분류 능력을 향상시켜 더 선명하고 정확한 병변 경계를 도출한다.