[논문 리뷰] DONet: Dual Objective Networks for Skin Lesion Segmentation

Yaxiong Wang, Yunchao Wei외 3명|arXiv (Cornell University)|2020. 08. 19.

Cutaneous Melanoma Detection and Management참고 문헌 50인용 수 18

한 줄 요약

이 논문은 이중 목적 네트워크인 DONet를 제안하며, 서로 다른 손실 함수로 최적화된 두 개의 대칭 디코더를 사용하여 상보적인 확률 맵을 생성함으로써 분할 신뢰도를 향상시킨다. 이 방법은 ISIC 2018에서 0.881, PH²에서 0.931의 최신 기준(Dice 점수)을 달성하며, 다양한 최적화 목표에서 유래한 예측을 통합하고, 다중 척도적 문맥 특징 학습을 위한 순환적 문맥 인코딩 모듈(RCEM)을 활용한다.

ABSTRACT

Skin lesion segmentation is a crucial step in the computer-aided diagnosis of dermoscopic images. In the last few years, deep learning based semantic segmentation methods have significantly advanced the skin lesion segmentation results. However, the current performance is still unsatisfactory due to some challenging factors such as large variety of lesion scale and ambiguous difference between lesion region and background. In this paper, we propose a simple yet effective framework, named Dual Objective Networks (DONet), to improve the skin lesion segmentation. Our DONet adopts two symmetric decoders to produce different predictions for approaching different objectives. Concretely, the two objectives are actually defined by different loss functions. In this way, the two decoders are encouraged to produce differentiated probability maps to match different optimization targets, resulting in complementary predictions accordingly. The complementary information learned by these two objectives are further aggregated together to make the final prediction, by which the uncertainty existing in segmentation maps can be significantly alleviated. Besides, to address the challenge of large variety of lesion scales and shapes in dermoscopic images, we additionally propose a recurrent context encoding module (RCEM) to model the complex correlation among skin lesions, where the features with different scale contexts are efficiently integrated to form a more robust representation. Extensive experiments on two popular benchmarks well demonstrate the effectiveness of the proposed DONet. In particular, our DONet achieves 0.881 and 0.931 dice score on ISIC 2018 and $ ext{PH}^2$, respectively. Code will be made public available.

연구 동기 및 목표

• 변동하는 병변 크기와 약한 병변-배경 경계로 인한 높은 불확실성과 애매함으로 인한 피부 병변 분할 과제를 해결하기 위해.
• 단일 손실 함수에 의존하는 대신, 서로 다른 최적화 목표에서 유래한 상보적인 예측을 활용하여 분할의 신뢰도를 향상시키기 위해.
• 새로운 순환적 문맥 인코딩 모듈(RCEM)을 통해 다양한 형태와 크기의 병변에 대해 다중 척도적 문맥 표현을 향상시키기 위해.
• 이중 디코더 아키텍처를 통해 다중 분할 목표를 동시에 최적화하여 기준 데이터셋에서 최신 기준 성능을 달성하기 위해.

제안 방법

• DONet는 공유 인코더를 사용한 후, 서로 다른 손실 함수(예: Dice 손실 및 Focal Tversky 손실)로 최적화된 두 개의 대칭 디코더를 적용하여 각각 다른 최적화 목표를 달성한다.
• 두 디코더는 각각의 손실 목표에 치우친 특징을 갖는 별개의 확률 맵을 생성하며, 이는 상호 보완적인 성질을 가진다.
• 공동 결론 기반 메커니즘이 두 개의 확률 맵을 통합하여 더 신뢰할 수 있는 최종 분할 맵을 생성함으로써 불확실성을 감소시킨다.
• 순환적 문맥 인코딩 모듈(RCEM)은 확률율이 1, 2, 4, 8인 확장 컨벌루션에서 유도된 다중 척도 문맥 특징을 반복적으로 누적하는 데에 컨volutional LSTM을 사용한다.
• RCEM은 순환 메커니즘을 통해 다양한 수신장 영역의 특징을 통합함으로써 병변 크기 변화에 대한 강건성을 향상시킨다.
• 다중 척도 스킵 연결은 RCEM에서 유도된 문맥 지식을 디코딩 경로로 전달하여 디코더 내 특징 표현을 강화한다.

실험 결과

연구 질문

• RQ1 서로 다른 손실 함수로 최적화된 두 개의 디코더를 사용함으로써 상보적인 예측을 생성함으로써 분할의 신뢰도를 향상시킬 수 있는가?
• RQ2 다중 척도 문맥 특징을 효과적으로 통합하여 병변 크기 및 형태 변화에 대한 강건성을 향상시킬 수 있는가?
• RQ3 피부 내시경 영상에서 장거리 의존성을 포괄하는 데 있어 순환적 문맥 인코딩 기법이 단순한 특징 연결보다 우수한가?
• RQ4 이중 목적 아키텍처와 RCEM이 개별적으로나 함께 분할 성능에 얼마나 기여하는가?

주요 결과

• DONet는 ISIC 2018 데이터셋에서 0.881의 Dice 점수를 기록하며, 기준 모델 대비 0.027점 향상되었다.
• PH² 데이터셋에서는 DONet가 0.931의 Dice 점수를 기록하여 다양한 데이터셋 간 강력한 일반화 능력을 보였다.
• 제거 분석 결과, 이중 목적 아키텍처(DOA)와 RCEM 모두 유의미하게 기여하며, DOA가 기준 대비 0.017점, RCEM이 0.019점 향상시켰다.
• DOA와 RCEM의 조합은 최고의 성능을 보였으며, ISIC 2018에서 0.881, PH²에서 0.931의 Dice 점수로 상호 보완 효과를 입증했다.
• RCEM이 4단계(확장률 1, 2, 4, 8)에서 최적의 성능을 보였으며, 4단계를 초과하면 수익 감소 현상이 나타났다.
• 시각적 제거 분석 결과, DOA와 RCEM 모두 경계 부착성 향상과 가짜 양성 결과 감소에 기여하였으며, 특히 작은 또는 비정상적인 병변에서 두드러진 효과를 보였다.