[논문 리뷰] Distance Map Loss Penalty Term for Semantic Segmentation

Francesco Calivá, Claudia Iriondo외 3명|arXiv (Cornell University)|2019. 08. 10.

Medical Imaging and Analysis참고 문헌 9인용 수 25

한 줄 요약

이 논문은 3D MRI에서 뼈 구조의 의미적 세분화를 향상시키기 위해 거리 맵 기반의 손실 페널티 항목을 제안한다. 이는 객체 경계 근처의 오차에 가중치를 두어 경계 정확도를 향상시킨다. 이 방법은 경계 DICE 스코어를 크게 향상시켜(Dice 손실 대비 28.83% 대비 26.73%) 전반적인 DICE 성능을 유지하면서도 해부학적 형태를 보존하는 데서 최신 기술보다 뛰어난 성능을 보였다.

ABSTRACT

Convolutional neural networks for semantic segmentation suffer from low performance at object boundaries. In medical imaging, accurate representation of tissue surfaces and volumes is important for tracking of disease biomarkers such as tissue morphology and shape features. In this work, we propose a novel distance map derived loss penalty term for semantic segmentation. We propose to use distance maps, derived from ground truth masks, to create a penalty term, guiding the network's focus towards hard-to-segment boundary regions. We investigate the effects of this penalizing factor against cross-entropy, Dice, and focal loss, among others, evaluating performance on a 3D MRI bone segmentation task from the publicly available Osteoarthritis Initiative dataset. We observe a significant improvement in the quality of segmentation, with better shape preservation at bone boundaries and areas affected by partial volume. We ultimately aim to use our loss penalty term to improve the extraction of shape biomarkers and derive metrics to quantitatively evaluate the preservation of shape.

연구 동기 및 목표

• 3D 의료 영상 세분화에서 객체 경계에서 높은 오차가 발생하는 지속적인 과제를 해결하기 위해.
• 특히 관절염의 경우 생체표지 추적을 위한 조직 표면 및 부피 표현의 정확도를 향상시키기 위해.
• 지침된 진단 결과에서 유도된 거리 맵을 사용해 해부학적 경계 근처의 오차를 명시적으로 페널티 처리하는 손실 함수를 개발하기 위해.
• 부분 볼륨 효과로 인해 복잡한 경계 영역이 발생하는 3D MRI 데이터셋에서 방법을 평가하기 위해.
• 형태 인식 손실 함수가 더 뛰어난 세분화 품질과 더 나은 형태 특징 보존을 이끌어내는지 입증하기 위해.

제안 방법

• 지침된 진단 결과 마스크에서 거리 변환을 사용해 거리 맵을 생성하고, 이를 뒤집어 경계 근처의 복소체에 더 높은 가중치를 할당한다.
• 크기의 차이를 고려하기 위해 각 뼈(femur, tibia, patella)별로 내부 거리 맵을 별도로 계산한 후 통합한다.
• 페널티가 가해진 다중 클래스 교차 엔트로피 손실은 $\mathscr{L} = \frac{1}{N}\sum_{i=1}^{N}(1+\Phi)\odot\sum_{j=1}^{K}-y_j\log\hat{y}_j$ 로 정의되며, 여기서 $\Phi$ 는 거리 맵이고 $\odot$ 는 하다드 곱을 의미한다.
• 1을 $\Phi$ 에 더함으로써 역전파 중 기울기 소실을 방지한다.
• 이 방법은 Adam 옵timizer를 사용하고 무작위 평면 내 회전을 통한 데이터 증강 기법을 적용한 V-Net 아키텍처에 통합된다.
• 세분화 결과는 3D 형태학적 닫힘 처리 및 가장 큰 세 개의 연결 성분 추출을 통해 후처리된다.

실험 결과

연구 질문

• RQ1 거리 맵 유도 손실 페널티가 3D MRI에서 객체 경계의 세분화 정확도를 향상시킬 수 있는가?
• RQ2 표준 손실인 교차 엔트로피, DICE, 포칼 손실, 확신 있는 예측 페널티 손실과 비교해 제안된 손실은 경계 검출에서 어떤가?
• RQ3 이 방법은 부분 볼륨 효과가 발생하는 영역에서 해부학적 형태를 보존하고 오차를 줄이는가?
• RQ4 매우 다양한 구조 크기를 가진 3D 다중 클래스 환경에서 이 손실 페널티를 효과적으로 적용할 수 있는가?
• RQ5 형태 인식 손실 함수는 형태 생체표지 추출을 위한 지표 향상에 기여하는가?

주요 결과

• 제안된 손실은 경계 DICE 스코어(B-DSC)를 28.83% ± 4.45%로 달성하여, DICE 손실(26.73% ± 5.40%) 및 기타 기준보다 유의미하게 뛰어났다.
• 전반적인 DICE 스코어(G-DSC)는 96.42% ± 0.80%로 매우 우수한 전반적 세분화 성능를 보였으며, DICE 손실(96.34% ± 1.21%) 및 포칼 손실(95.00% ± 1.00%)을 모두 초월했다.
• 특히 관절간 경계와 경추골 관절면과 같은 부분 볼륨 효과가 발생하는 영역에서 뛰어난 성능를 보였다.
• 거리 맵 페널티가 네트워크가 어려운 경계 영역에 집중하도록 효과적으로 이끌어 경계 오차를 감소시켰다.
• 클래스 불균형에 강건하며, 극도로 불균형한 데이터셋에 쉽게 적용할 수 있다.
• 기존의 이중 단계 학습 전략에서 거리 맵을 사용하는 방법들과 달리, 미세조정 없이도 높은 성능를 유지한다.