[논문 리뷰] CIA-Net: Robust Nuclei Instance Segmentation with Contour-aware Information Aggregation

Yanning Zhou, Omer Fahri Onder외 4명|arXiv (Cornell University)|2019. 03. 13.

AI in cancer detection참고 문헌 24인용 수 15

한 줄 요약

CIA-Net는 뉴클레우스의 윤곽을 고려한 정보 집약 네트워크와 새로운 스무스 절삭 손실을 제안하여 뉴클레우스 인스턴스 세그멘테이션의 정확도를 향상시킨다. 뉴클레우스 및 윤곽 디코더 간의 이중 방향 특징 융합과 노이즈가 많고 신뢰도가 낮은 예측의 가중치를 낮춤으로써, 35개의 참가 팀 중에서 가장 높은 성능을 기록하며 2018년 MICCAI 다기관 뉴클레우스 세그멘테이션 챌린지에서 압도적인 우위를 점했다.

ABSTRACT

Accurate segmenting nuclei instances is a crucial step in computer-aided image analysis to extract rich features for cellular estimation and following diagnosis as well as treatment. While it still remains challenging because the wide existence of nuclei clusters, along with the large morphological variances among different organs make nuclei instance segmentation susceptible to over-/under-segmentation. Additionally, the inevitably subjective annotating and mislabeling prevent the network learning from reliable samples and eventually reduce the generalization capability for robustly segmenting unseen organ nuclei. To address these issues, we propose a novel deep neural network, namely Contour-aware Informative Aggregation Network (CIA-Net) with multi-level information aggregation module between two task-specific decoders. Rather than independent decoders, it leverages the merit of spatial and texture dependencies between nuclei and contour by bi-directionally aggregating task-specific features. Furthermore, we proposed a novel smooth truncated loss that modulates losses to reduce the perturbation from outliers. Consequently, the network can focus on learning from reliable and informative samples, which inherently improves the generalization capability. Experiments on the 2018 MICCAI challenge of Multi-Organ-Nuclei-Segmentation validated the effectiveness of our proposed method, surpassing all the other 35 competitive teams by a significant margin.

연구 동기 및 목표

• 형태학적 다양성과 흐린 경계로 인해 높은 밀도의 뭉친 뉴클레우스에서의 과세그멘테이션과 과소세그멘테이션 문제를 해결한다.
• 병리 영상에서 주관적이고 잘못 레이블링된 애너테이션의 영향을 모델의 일반화 능력에 악영향을 주지 않도록 완화한다.
• 양방향 특징 융합을 통해 뉴클레우스와 윤곽 예측 간의 공간적 및 텍스처적 의존성을 활용하여 특징 학습을 향상시킨다.
• 외곽치나 노이즈가 많은 샘플의 영향을 줄이기 위해 외부 요인에 민감하지 않은 강건한 손실 함수를 개발한다.
• 다양한 기관 유형, 예측되지 않은 뉴클레우스 형태와 염색 변화에 대해 뛰어난 일반화 능력을 확보한다.

제안 방법

• 뉴클레우스와 윤곽 디코더 간의 이중 방향 특징 정련을 가능하게 하는 다수준 정보 집약 모듈(IAM)을 도입하여 공간적 및 텍스처적 일致성을 향상시킨다.
• 피라미드형 특징 추출을 통해 다중 척도의 맥락을 유지하고 깊은 네트워크에서 기울기 흐름을 개선하기 위해 밀집 연결된 인코더를 사용한다.
• 낮은 신뢰도(낮은 pt)를 가진 예측을 부드럽게 가중치를 낮추는 데 사용하는 이차 함수를 활용하는 스무스 절삭 손실(STL)을 제안한다. 이는 갑작스러운 절단 없이 외곽치의 영향을 줄인다.
• STL은 예측 신뢰도에 따라 손실 기여도를 동적으로 조절하며, 가중치를 낮추는 임계값을 제어하는 절단 파라미터 γ를 포함한다.
• 공유 인코더와 교차 브랜치 특징 융합을 갖춘 이중 분기 디코더 아키텍처를 사용한다: 하나는 뉴클레우스 인스턴스 세그멘테이션을 위해, 다른 하나는 윤곽 예측을 위해.
• 학습 중에 스무스 절삭 손실을 적용하여 낮은 신뢰도의, 잠재적으로 잘못 레이블링된 샘플의 기울기를 억제함으로써 강건성과 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 뉴클레우스 및 윤곽 헤드 간의 이중 방향 특징 융합이 복잡하고 뭉쳐 있는 뉴클레우스 상황에서의 인스턴스 세그멘테이션 정확도를 향상시키는가?
• RQ2 스무스 절삭 손실 함수는 기존의 BCE와 부트스트랩 손실 함수에 비해 뉴클레우스 세그멘테이션에서 노이즈가 많거나 잘못 레이블링된 애너테이션을 다룰 때 어떻게 성능을 발휘하는가?
• RQ3 제안된 방법은 염색, 형태 및 밀도가 다양한 다양한 기관 유형에 대해 얼마나 잘 일반화되는가?
• RQ4 손실 기울기의 스무스 절단이 노이즈가 많은 샘플에 대한 과적합을 줄이면서도 정보가 많은 경계 영역의 학습을 유지하는가?
• RQ5 제안된 방법은 높은 변동성을 보이는 실제 다기관 병리 영상 데이터셋에서 최고 성능을 달성할 수 있는가?

주요 결과

• CIA-Net는 2018년 MICCAI MoNuSeg 챌린지의 미리 공개되지 않은 Test2 세트(7개의 다양한 기관 포함)에서 AJI 점수 0.6306을 기록하여 참가한 35개 팀 중에서 가장 높은 성능을 기록했다.
• 스무스 절삭 손실(STL)은 이진 교차 엔트로피(BCE)에 비해 Test2에서 약 2.5% 향상된 AJI 점수를 기록하여 예측되지 않은 기관 유형에 대해 강력한 일반화 능력을 입증했다.
• 확률적 비교를 통해 확산된 크로마틴 뉴클레우스와 비정상적인 형태의 뭉친 뉴클레우스에서의 과세그멘테이션과 과소세그멘테이션을 감소시켰다.
• 히트맵 시각화 결과, STL로 학습된 모델가 더 선명하고 구체적인 뉴클레우스 예측을 생성했으며, 특히 최적의 γ 값에서 불확실 영역이 줄어들었다.
• 비스무스 절삭 버전에 비해 스무스 절삭 손실은 γ 초모수 조정에 더 민감하지 않아 실무에서 더 높은 강건성과 안정성을 보였다.
• 모든 메트릭에서 베이스라인 손실 함수(BCE, BST, T)를 초월하여 STL은 Test2에서 F1 점수 0.8458을 기록하여 노이즈가 많은 환경에서의 효과성을 입증했다.