[논문 리뷰] Densely Dilated Spatial Pooling Convolutional Network using benign loss functions for imbalanced volumetric prostate segmentation

Qiuhua Liu, Min Fu외 2명|arXiv (Cornell University)|2018. 01. 31.

Advanced Neural Network Applications참고 문헌 14인용 수 6

한 줄 요약

이 논문은 3D MRI 스캔에서 전립선의 정확하고 자동적인 분할을 위해 유사한 손실 함수—Dice 유사도 계수(DSC) 및 Jaccard 손실—를 갖춘 Densely Dilated Spatial Pooling Convolutional Network(DDSP ConNet)을 제안한다. 확장된 컨볼루션, 글로벌 풀링, 스킵 연결 및 이론적으로 유리한 손실 함수를 통합함으로써, 모델은 PROMISE12 데이터셋에서 3D Dice 점수 85.78을 달성하여 클래스 불균형을 다루는 데 대부분의 경쟁자들을 능가한다.

ABSTRACT

The high incidence rate of prostate disease poses a requirement in early detection for diagnosis. As one of the main imaging methods used for prostate cancer detection, Magnetic Resonance Imaging (MRI) has wide range of appearance and imbalance problems, making automated prostate segmentation fundamental but challenging. Here we propose a novel Densely Dilated Spatial Pooling Convolutional Network (DDSP ConNet) in encoder-decoder structure. It employs dense structure to combine dilated convolution and global pooling, thus supplies coarse segmentation results from encoder and decoder subnet and preserves more contextual information. To obtain richer hierarchical feature maps, residual long connection is furtherly adopted to fuse contexture features. Meanwhile, we adopt DSC loss and Jaccard loss functions to train our DDSP ConNet. We surprisingly found and proved that, in contrast to re-weighted cross entropy, DSC loss and Jaccard loss have a lot of benign properties in theory, including symmetry, continuity and differentiability about the parameters of network. Extensive experiments on the MICCAI PROMISE12 challenge dataset have been done to corroborate the effectiveness of our DDSP ConNet with DSC loss and Jaccard loss. Totally, our method achieves a score of 85.78 in the test dataset, outperforming most of other competitors.

연구 동기 및 목표

• 전립선 영역이 배경에 비해 작기 때문에 3D 부피형 전립선 MRI 분할에서 발생하는 데이터 불균형 문제를 해결한다.
• 딥 네트워크에서 공간적 맥락과 계층적 특징을 유지함으로써 분할 정확도를 향상시킨다.
• 표준 교차 엔트로피 손실의 한계를 극복하기 위해 더 견고한 손실 함수를 탐색함으로써, 불균형한 의료 영상 분할에서의 성능을 향상시킨다.
• DSC 및 Jaccard 손실이 재가중 교차 엔트로피에 비해 이론적 및 실증적으로 유리한 점을 입증한다.

제안 방법

• 다운샘플링 없이的感受 field를 확장하기 위해 밀집 연결된 확장된 컨볼루션을 갖춘 U-Net 유사 인코더-디코더 아키텍처를 제안한다.
• 확장된 컨볼루션과 함께 글로벌 평균 풀링을 통합하여 다중 척도의 맥락 정보를 캡처한다.
• 잔차형 장거리 스킵 연결을 사용하여 인코더 및 디코더 경로의 특징을 융합함으로써 특징 전파를 향상시킨다.
• 네트워크 파ameter에 대해 대칭적이고 연속적이며 미분 가능한 DSC 및 Jaccard 손실 함수를 채택한다.
• 이러한 유사한 손실 함수를 사용하여 네트워크를 엔드 투 엔드로 훈련시켜 분할 겹침 최적화를 더 잘 이룰 수 있도록 한다.
• 인코더의 굵은 특징과 디코더의 정밀화된 특징을 활용하여 고해상도이고 맥락적으로 정확한 분할 지도를 생성한다.

실험 결과

연구 질문

• RQ1 밀집 연결된 확장된 공간 풀링 모듈은 3D 전립선 MRI에서 특징 표현 및 분할 정확도를 향상시킬 수 있는가?
• RQ2 DSC 및 Jaccard 손실 함수는 재가중 교차 엔트로피에 비해 불균형 분할 작업에서 더 우수한 최적화 행동을 제공하는가?
• RQ3 DSC 및 Jaccard 손실의 이론적 특성—예를 들어 대칭성 및 미분 가능성—은 훈련 안정성과 성능에 어떤 영향을 미치는가?
• RQ4 확장된 컨볼루션, 글로벌 풀링 및 스킵 연결의 조합이 부피 분할에서 맥락 보존을 얼마나 향상시킬 수 있는가?
• RQ5 제안된 DDSP ConNet은 전립선 분할을 위한 PROMISE12 벤치마크에서 최고 성능을 달성하는가?

주요 결과

• 제안된 DDSP ConNet은 PROMISE12 테스트 데이터셋에서 3D Dice 점수 85.78을 달성하여 대부분의 경쟁 방법들을 능가했다.
• DSC 및 Jaccard 손실 함수는 대칭성, 연속성 및 미분 가능성과 같은 유리한 이론적 특성 덕분에 재가중 교차 엔트로피보다 우수한 것으로 확인되었다.
• 확장된 컨볼루션과 글로벌 풀링의 통합은 해상도를 낮추지 않으면서도 효과적인 다중 척도 맥락 집합을 가능하게 하였다.
• 잔차형 장거리 스킵 연결은 공간 세부 정보를 유지함으로써 특징 융합과 분할 정확도를 크게 향상시켰다.
• 모델는 클래스 불균형에 대해 강건성을 보였으며, 3D MRI 볼륨에서 작고 비정형적인 형태의 전립선 영역을 효과적으로 분할하였다.
• 광범위한 아블레이션 및 비교 실험을 통해 제안된 손실 함수와 네트워크 설계의 실세계 의료 영상 시나리오에서의 효과성이 확인되었다.