[논문 리뷰] Claw U-Net: A Unet-based Network with Deep Feature Concatenation for Scleral Blood Vessel Segmentation

Chang Yao, Jingyu Tang외 5명|arXiv (Cornell University)|2020. 10. 20.

Vascular Malformations and Hemangiomas참고 문헌 18인용 수 7

한 줄 요약

이 논문은 슈르지-웨버 증후군에서 정확한 망막 혈관 분할을 위한 새로운 U-Net 기반 아키텍처인 Claw U-Net을 제안한다. 깊은 특징 연결, 잔차 블록, 주의 메커니즘을 통합하여, 신규로 구축된 망막 혈관 데이터셋에서 80.57% MIoU, 88.58% Dice, 11.99 평균 하우스도르프 거리로 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Sturge-Weber syndrome (SWS) is a vascular malformation disease, and it may cause blindness if the patient's condition is severe. Clinical results show that SWS can be divided into two types based on the characteristics of scleral blood vessels. Therefore, how to accurately segment scleral blood vessels has become a significant problem in computer-aided diagnosis. In this research, we propose to continuously upsample the bottom layer's feature maps to preserve image details, and design a novel Claw UNet based on UNet for scleral blood vessel segmentation. Specifically, the residual structure is used to increase the number of network layers in the feature extraction stage to learn deeper features. In the decoding stage, by fusing the features of the encoding, upsampling, and decoding parts, Claw UNet can achieve effective segmentation in the fine-grained regions of scleral blood vessels. To effectively extract small blood vessels, we use the attention mechanism to calculate the attention coefficient of each position in images. Claw UNet outperforms other UNet-based networks on scleral blood vessel image dataset.

연구 동기 및 목표

• 스스로-웨버 증후군에서 정확한 망막 혈관 분할 문제를 해결하기 위해, 이는 녹내장과 시력 손실과 관련이 있다.
• 저대비, 수술용 품질의 영상에서 조밀하고 다중 척도의 망막 혈관을 분할할 때 기존 U-Net 기반 모델의 한계를 극복하기 위해.
• 임상 진단과 수술 계획에 중요한 소형 혈관의 세밀한 분할을 향상시키기 위해.
• 학습 및 분류 모델의 기준 설정을 위한 전용 맹막 혈관 영상 데이터셋을 구축하기 위해.
• 잔차 학습과 주의 메커니즘을 통합하여 특징 표현력과 경계 정밀도를 향상시키기 위해.

제안 방법

• 기본 층의 인코더 특징 맵에서 각 디코더 단계로 스킵 연결을 추가함으로써, 깊은 특징의 연속적인 업샘플링을 가능하게 하는 새로운 Claw U-Net 아키텍처를 제안한다.
• 특징의 계층적 학습을 위한 기울기 흐름 향상을 위해 인코더에 잔차 블록을 활용하여 네트워크를 깊이 있게 한다.
• 특히 소형 혈관 경계와 같은 주목할 만한 영역을 동적으로 강조하기 위해 디코더에 주의 메커니즘을 도입한다.
• 각 디코더 레이어가 해당 인코더 레이어의 특징, 업샘플링된 바닥 특징 맵, 그리고 디코더 자체의 특징 맵을 융합하는 다중 척도 스킵 연결 전략을 사용한다.
• 입력에서 7×7 컨볼루션(스트라이드 2)을 적용하고, 다운샘플링을 위해 맥스 풀링을 사용하며, 업샘플링에는 전치 컨볼루션과 이중선형 보간을 사용한다.
• 모델을 이진 교차 엔트로피 손실로 훈련하고, Adam 최적화기를 사용하며, 512×512 입력 해상도에서 훈련한다. 모든 모델은 공정한 비교를 위해 동일한 초모수로 훈련된다.

실험 결과

연구 질문

• RQ1 깊은 특징 연결을 통합한 수정된 U-Net 아키텍처는 표준 U-Net 변종에 비해 망막 혈관 분할 정확도를 향상시킬 수 있는가?
• RQ2 잔차 블록과 주의 메커니즘의 통합이 저품질 수술 영상에서 소형 및 세밀한 혈관을 탐지하는 데 모델의 능력을 향상시키는가?
• RQ3 기본적인 스킵 연결과 비교해 볼 때, 제안된 바닥에서 위로의 특징 업샘플링 전략은 분할 과정에서 영상 세부 정보를 얼마나 잘 유지하는가?
• RQ4 주의 메커니즘이 망막 혈관 분할 작업에서 경계 탐지 성능을 얼마나 향상시키는가?
• RQ5 맞춤형으로 제작된 맹막 혈관 영상 데이터셋이 임상 환경에서 딥 러닝 모델의 신뢰성 있는 평가 및 일반화를 지원할 수 있는가?

주요 결과

• Claw U-Net는 비교 모델들 중에서 가장 높은 성능을 기록하며, 평균 교차율(Intersection over Union, MIoU)이 80.57%로, 이어지는 최고 성능 모델인 UNet++의 79.57%를 크게 앞서며 뚜렷한 우월성을 보였다.
• 모델은 88.58%의 Dice 스코어를 기록하여, 혈관 분할에서 마스크 채우기 정확도와 클래스 불균형에 대한 강건성을 잘 반영한다.
• 모든 모델 중에서 가장 낮은 평균 하우스도르프 거리(Aver_hd) 11.99를 기록하여, 특히 소형 혈관에서의 경계 정밀도가 뛰어나다는 것을 입증했다.
• 잔차 및 주의 모듈을 제거하면 MIoU가 약 1.6% 감소하여, 성능 향상에서 이들의 핵심적 역할을 확인했다.
• 시각적 비교 결과, Claw U-Net는 ResUNet보다 더 많은 소형 및 분리된 혈관을 유지함으로써 세밀한 세부 정보에 대한 민감도가 뛰어나다는 점을 확인했다.
• 제거 실험 결과, 성능 향상은 모듈 추가뿐만 아니라 그 아키텍처적 통합 방식에 의존하며, UNet++나 ResUNet에 주의 메커니즘을 추가하면 성능이 떨어지는 것으로 나타났다.