[논문 리뷰] DC-UNet: Rethinking the U-Net Architecture with Dual Channel Efficient CNN for Medical Images Segmentation

Ange Lou, Shuyue Guan외 1명|arXiv (Cornell University)|2020. 05. 31.

AI in cancer detection인용 수 13

한 줄 요약

이 논문은 의료 영상 분할을 향상시키기 위해 표준 인코더-디코더를 이중채널 효율적 CNN으로 대체하고 스킵 연결을 잔차 모듈로 교체한 수정된 U-Net 아키텍처인 DC-UNet을 제안한다. 이 모델은 세 가지 과도한 과제 데이터셋에서 고전적 U-Net 대비 각각 2.90%, 1.49%, 11.42%의 상대적 성능 향상을 달성하여 복잡한 분할 과제에서 더 높은 정확도와 강건성을 입증한다.

ABSTRACT

Recently, deep learning has become much more popular in computer vision area. The Convolution Neural Network (CNN) has brought a breakthrough in images segmentation areas, especially, for medical images. In this regard, U-Net is the predominant approach to medical image segmentation task. The U-Net not only performs well in segmenting multimodal medical images generally, but also in some tough cases of them. However, we found that the classical U-Net architecture has limitation in several aspects. Therefore, we applied modifications: 1) designed efficient CNN architecture to replace encoder and decoder, 2) applied residual module to replace skip connection between encoder and decoder to improve based on the-state-of-the-art U-Net model. Following these modifications, we designed a novel architecture--DC-UNet, as a potential successor to the U-Net architecture. We created a new effective CNN architecture and build the DC-UNet based on this CNN. We have evaluated our model on three datasets with tough cases and have obtained a relative improvement in performance of 2.90%, 1.49% and 11.42% respectively compared with classical U-Net. In addition, we used the Tanimoto similarity to replace the Jaccard similarity for gray-to-gray image comparisons.

연구 동기 및 목표

• 의료 영상 분할을 위한 고전적 U-Net 아키텍처의 한계를 해결하기 위해.
• 효율적 CNN으로 인코더-디코더를 재설계하여 특징 표현과 기울기 흐름을 향상시키기 위해.
• 스킵 연결을 잔차 모듈로 교체하여 더 나은 특징 융합을 위한 개선을 위해.
• 복잡한 해부학적 구조를 가진 과도한 의료 영상 데이터셋에서 제안된 아키텍처를 평가하기 위해.
• 회색 톤 대 회색 톤 영상 비교를 위한 분할 과제에서 Tanimoto 유사도를 더 효과적인 지표로 도입하기 위해.

제안 방법

• 표준 U-Net 인코더 및 디코더 구성 요소를 대체하기 위해 이중채널 효율적 CNN 아키텍처를 설계하였다.
• 기울기 흐름과 특징 학습을 향상시키기 위해 인코더와 디코더 간 직접적인 스킵 연결 대신 잔차 모듈을 통합하였다.
• 인코더와 디코더를 효율성과 특징 추출에 최적화한 수정된 U-Net 백본을 활용하였다.
• 회색 톤 의료 영상 분할 성능 평가를 위해 Jaccard 유사도 대신 Tanimoto 유사도를 사용하였다.
• 세 가지 다양한 의료 영상 데이터셋에서 모델을 훈련하고 검증하였으며, 어려운 분할 케이스를 포함하고 있다.
• 파rameter 효율성과 특징 정제에 중점을 두어 아키텍처 수정을 통해 네트워크 아키텍처를 최적화하였다.

실험 결과

연구 질문

• RQ1 이중채널 효율적 CNN은 표준 U-Net 인코더-디코더 대비 분할 정확도를 향상시킬 수 있는가?
• RQ2 스킵 연결을 잔차 모듈로 교체하면 의료 영상 분할에서 특징 융합과 모델 성능이 향상되는가?
• RQ3 회색 톤 의료 영상 분할 평가에서 Tanimoto 유사도는 Jaccard 유사도에 비해 얼마나 더 효과적인가?
• RQ4 제안된 DC-UNet 아키텍처는 과도한 의료 영상 데이터셋에서 고전적 U-Net을 얼마나 뛰어나게 성능을 내는가?
• RQ5 의료 영상 작업에서 분할 정확도를 희생시키지 않고 아키텍처의 효율성을 향상시킬 수 있는가?

주요 결과

• DC-UNet은 첫 번째 데이터셋에서 고전적 U-Net 대비 상대적 성능 향상 2.90%를 달성하였다.
• 두 번째 데이터셋에서는 기준 U-Net 대비 1.49%의 상대적 향상이 관찰되었다.
• 세 번째로 더 과도한 데이터셋에서는 DC-UNet이 분할 성능에서 상대적으로 11.42% 향상된 결과를 보였다.
• Tanimoto 유사도 사용은 분할 과제에서 회색 톤 대 회색 톤 영상 비교에 더 효과적인 평가 지표를 제공하였다.
• 잔차 모듈 기반 스킵 연결은 특징 학습과 기울기 흐름을 향상시켜 전반적인 성능 향상에 기여하였다.
• 이중채널 효율적 CNN 설계는 특징 표현을 향상시키면서도 모델 효율성을 유지하였다.