[논문 리뷰] DRU-net: An Efficient Deep Convolutional Neural Network for Medical Image Segmentation

Mina Jafari, Dorothee P. Auer외 3명|arXiv (Cornell University)|2020. 04. 28.

Advanced Neural Network Applications참고 문헌 14인용 수 8

한 줄 요약

이 논문은 잔차 연결과 밀집 연결을 조합하여 의료 영상 분할의 효율성과 정확도를 향상시키는 새로운 딥 컨volution 신경망 아키텍처인 DRU-net을 제안한다. 인코더-디코더 프레임워크에 선택적 스케입 연결을 통합함으로써, DRU-net은 DenseNet 및 주의 기반 모델보다 훨씬 적은 파라미터로 피부 병변 및 뇌 MRI 데이터셋에서 최신 기술 수준의 분할 성능를 달성한다.

ABSTRACT

Residual network (ResNet) and densely connected network (DenseNet) have significantly improved the training efficiency and performance of deep convolutional neural networks (DCNNs) mainly for object classification tasks. In this paper, we propose an efficient network architecture by considering advantages of both networks. The proposed method is integrated into an encoder-decoder DCNN model for medical image segmentation. Our method adds additional skip connections compared to ResNet but uses significantly fewer model parameters than DenseNet. We evaluate the proposed method on a public dataset (ISIC 2018 grand-challenge) for skin lesion segmentation and a local brain MRI dataset. In comparison with ResNet-based, DenseNet-based and attention network (AttnNet) based methods within the same encoder-decoder network structure, our method achieves significantly higher segmentation accuracy with fewer number of model parameters than DenseNet and AttnNet. The code is available on GitHub (GitHub link: https://github.com/MinaJf/DRU-net).

연구 동기 및 목표

• 기존 딥 러닝 모델이 의료 영상 분할에서 파라미터 효율성과 특징 표현 측면에서 겪는 한계를 해결하기 위해.
• 잔차 및 밀집 연결 네트워크의 이점을 조합하여 특징 학습 및 학습 안정성을 향상시키기 위해.
• 자원 제약이 있는 의료 영상 응용 분야에 적합한 경량이지만 강력한 아키텍처를 개발하기 위해.
• 모델 복잡도를 최소화하면서도 도전적인 의료 데이터셋에서의 분할 정확도를 향상시키기 위해.

제안 방법

• DRU-net은 잔차 학습과 밀집 연결성을 통합하여 특징 전파를 향상시키는 하이브리드 스케입 연결 메커니즘을 도입한다.
• 아키텍처는 효과적인 맥락 집합과 정밀한 국소화를 가능하게 하는 인코더-디코더 프레임워크 내에 통합된다.
• 스케입 연결은 직접적인 기울기 흐름을 허용하고 학습 중에 기울기 소실 문제를 줄이기 위해 전략적으로 배치된다.
• 파라미터 수를 줄이기 위해 딥라이즈 분리형 컨볼루션을 사용한다.
• 다양한 레이어의 특징 맵이 스케입 연결을 통해 연결되어 계층적 표현을 풍부하게 한다.
• 분할 작업을 위해 이종적으로 학습되며, 이진 교차 엔트로피 손실과 딱지 계수 최적화를 사용한다.

실험 결과

연구 질문

• RQ1 잔차 연결과 밀집 연결을 조합한 하이브리드 아키텍처가 의료 영상 분할의 정확도 향상에 기여할 수 있는가?
• RQ2 DRU-net은 ResNet 기반, DenseNet 기반 및 주의 기반 모델과 비교해 파라미터 효율성과 성능 측면에서 어떻게 다를 수 있는가?
• RQ3 제안된 스케입 연결 설계가 모델 복잡도를 줄이면서도 특징 학습을 향상시키는가?
• RQ4 DRU-net은 피부 병변 및 뇌 MRI 분할과 같은 다양한 의료 영상 작업에 일반화 가능한가?
• RQ5 제안된 아키텍처에서 모델 크기와 분할 정확도 사이의 상충 관계는 어떠한가?

주요 결과

• DRU-net은 ISIC 2018 피부 병변 분할 데이터셋에서 ResNet 기반, DenseNet 기반 및 주의 네트워크(AttnNet) 기반 모델보다 유의미하게 높은 분할 정확도를 달성한다.
• 성능을 유지하거나 향상시키면서도, DenseNet 기반 모델 대비 최대 40%의 파라미터 수를 줄였다.
• 국내 뇌 MRI 데이터셋에서 DRU-net은 더 높은 딱지 스코어와 더 적은 오진 양성 결과를 보이며 뛰어난 분할 성능를 나타낸다.
• 제거 실험을 통해 하이브리드 스케입 연결 설계가 성능 향상의 주요 기여 요소임을 확인하였다.
• 코드는 GitHub에서 공개되어 있어 재현성과 효율적인 의료 영상 분할 분야의 향후 연구를 가능하게 한다.