[논문 리뷰] CS2-Net: Deep Learning Segmentation of Curvilinear Structures in Medical Imaging

Lei Mou, Yitian Zhao외 10명|arXiv (Cornell University)|2020. 10. 15.

Retinal Imaging and Analysis참고 문헌 69인용 수 36

한 줄 요약

CS2-Net은 듀얼 셀프 어텐션(채널 및 공간)과 경계 인지 커널을 갖춘 통합 2D/3D 딥 러닝 모델로, 여러 의학 영상 모달리티에서 곡선형 구조를 분할하고 9개 데이터셋에서 최첨단 결과를 달성합니다.

ABSTRACT

Automated detection of curvilinear structures, e.g., blood vessels or nerve fibres, from medical and biomedical images is a crucial early step in automatic image interpretation associated to the management of many diseases. Precise measurement of the morphological changes of these curvilinear organ structures informs clinicians for understanding the mechanism, diagnosis, and treatment of e.g. cardiovascular, kidney, eye, lung, and neurological conditions. In this work, we propose a generic and unified convolution neural network for the segmentation of curvilinear structures and illustrate in several 2D/3D medical imaging modalities. We introduce a new curvilinear structure segmentation network (CS2-Net), which includes a self-attention mechanism in the encoder and decoder to learn rich hierarchical representations of curvilinear structures. Two types of attention modules - spatial attention and channel attention - are utilized to enhance the inter-class discrimination and intra-class responsiveness, to further integrate local features with their global dependencies and normalization, adaptively. Furthermore, to facilitate the segmentation of curvilinear structures in medical images, we employ a 1x3 and a 3x1 convolutional kernel to capture boundary features. ...

연구 동기 및 목표

• 다양한 의학 영상 모달리티에서 곡선형 구조(예: 혈관, 신경 섬유)의 분할 자동화.
• 2D와 3D 데이터를 모두 처리할 수 있는 통합 인코더–디코더 네트워크 개발.
• 채널 및 공간 어텐션을 도입하여 풍부한 계층적 표현과 장거리 의존성 학습.
• 1x3 및 3x1 합성곱과 3D로 확장된 주의 메커니즘으로 경계 특징 포착 강화.
• 여러 데이터셋에서 최첨단 방법 대비 견고한 성능 시연.

제안 방법

• 인코더–디코더 백본과 skip 연결을 가진 네개의 ResNet 기반 블록으로 CS2-Net을 제안.
• CSAM(Channel and Spatial Attention Module) 도입: 2D/3D 공간 어텐션 블록(SAB)과 채널 어텐션 블록(CAB)으로 어텐션 인식 특징 생성.
• 경계 중심 합성곱(2D의 1x3 및 3x1; 3D에 해당하는 확장)을 도입하여 곡선 경계 포착 개선.
• 깊이 정보를 슬라이스 간 어그리게이션하기 위해 어텐션 메커니즘을 3D로 확장.
• 가중치 교차 엔트로피와 Dice 계수를 결합한 손실(L = alpha*LWCE + (1-alpha)*LDice, 알파 = 0.6).
• width, height, depth 관계를 모델링하기 위해 1x1x3 등 추가 방향 합성곱을 포함하여 3D용 CSAM으로 адап트.

실험 결과

연구 질문

• RQ1 CS2-Net이 2D 및 3D 의학 이미지에서 다 모달리티로 곡선형 구조를 효과적으로 분할할 수 있는가?
• RQ2 채널 및 공간 어텐션 메커니즘이 곡선형 구조와 배경 간 구분을 개선하고 이러한 구조에서 장거리 의존성을 포착하는가?
• RQ3 경계 중심 합성곱을 도입하고 어텐션을 3D로 확장하는 것이 데이터셋 전반의 분할 성능을 향상시키는가?
• RQ4 CS2-Net이 아홉 개의 다양한 데이터셋에서 최첨단 방법과 어떻게 비교되는가?

주요 결과

• CS2-Net은 다양한 생의학 영상 모달리티에서 곡선형 구조 탐지에 대해 전반적으로 최첨단 성능을 달성한다.
• 프레임워크는 6개의 2D 데이터셋과 3개의 3D 데이터셋에서 검증되어 영상 유형 간 다재다능함을 보여준다.
• 듀얼 어텐션(채널 및 공간)은 곡선형 구조에 대한 특징 구분 및 글로벌 맥락 모델링을 강화한다.
• 경계 인식 합성곱은 얇고 길쭉한 구조에 필수적인 에지 정보를 포착하는 데 도움을 준다.
• 스킵 연결과 원칙적 손실을 갖춘 통일된 2D/3D 아키텍처가 분할의 견고성을 향상시킨다.