[논문 리뷰] ET-Net: A Generic Edge-aTtention Guidance Network for Medical Image Segmentation

Zhijie Zhang, Huazhu Fu외 4명|arXiv (Cornell University)|2019. 07. 25.

Retinal Imaging and AnalysisMedicine참고 문헌 20인용 수 21

한 줄 요약

ET-Net는 초기 인코딩 레이어에서 엣지 가이던스 모듈(EGM)을 통해 엣지-어텐션 표현을 통합하고, 디코딩 경로에서 다중 스케일 특징 융합을 위한 웨이트드 어그리게이션 모듈(WAM)을 사용하는 일반적인 엣지-어텐션 가이던스 네트워크로, 의료 영상 분할 성능을 향상시킨다. 이는 망막 및 폐 영상 분할을 포함한 네 가지 의료 영상 작업에서 최신 기술 수준(SOTA) 성능을 달성하며, CT 폐 영상 분할에서 mIoU가 최대 96.23% 향상된다.

ABSTRACT

Segmentation is a fundamental task in medical image analysis. However, most existing methods focus on primary region extraction and ignore edge information, which is useful for obtaining accurate segmentation. In this paper, we propose a generic medical segmentation method, called Edge-aTtention guidance Network (ET-Net), which embeds edge-attention representations to guide the segmentation network. Specifically, an edge guidance module is utilized to learn the edge-attention representations in the early encoding layers, which are then transferred to the multi-scale decoding layers, fused using a weighted aggregation module. The experimental results on four segmentation tasks (i.e., optic disc/cup and vessel segmentation in retinal images, and lung segmentation in chest X-Ray and CT images) demonstrate that preserving edge-attention representations contributes to the final segmentation accuracy, and our proposed method outperforms current state-of-the-art segmentation methods. The source code of our method is available at https://github.com/ZzzJzzZ/ETNet.

연구 동기 및 목표

• 기존 의료 분할 모델이 엣지 정보를 간과하여 경계 예측이 정확하지 못하는 문제를 해결한다.
• 엣지 검출과 객체 분할을 통합된 딥 러닝 프레임워크로 통합하여 경계 정위 및 분할 정확도를 향상시킨다.
• 작업별 재학습 없이도 다양한 의료 영상 작업에서 분할 성능을 향상시킬 수 있는 일반적이고 이식 가능한 아키텍처를 개발한다.
• 어텐션 메커니즘을 통해 국소 엣지 특징을 유지하고 고수준 특징 학습을 가이던스한다.
• 후처리에 대한 의존도를 줄이기 위해 엣지 인식 표현을 직접 분할 네트워크 아키텍처에 통합한다.

제안 방법

• 초기 인코딩 레이어에 엣지 가이던스 모듈(EGM)을 적용하여 세밀한 경계 세부 정보를 포착하는 엣지-어텐션 표현을 학습한다.
• ResNet-50 기반 인코더와 EGM을 통합하여 계층적 특징을 추출하면서도 엣지 특화 정보를 유지한다.
• 디코딩 경로에 웨이트드 어그리게이션 모듈(WAM)을 사용하여 다중 스케일 사이드아웃풋을 융합하고 엣지-어텐션 특징을 고수준 레이어로 전파한다.
• 인코더와 디코더 블록 간의 스킵 커넥션과 연결을 적용하여 공간 해상도와 특징 일관성을 유지한다.
• 표준 분할 손실 함수를 사용하여 네트워크를 엔드 투 엔드로 훈련하며, 엣지-어텐션 특징이 최종 분할 예측을 가이던스한다.
• E-블록과 D-블록에서 잔차 연결을 활용하여 깊은 아키텍처에서 훈련 안정성과 기울기 흐름을 향상시킨다.

실험 결과

연구 질문

• RQ1 엣지-어텐션 표현은 특히 경계 정위에서 분할 정확도를 크게 향상시킬 수 있는가?
• RQ2 초기 인코딩 레이어에 엣지 가이던스를 통합할 경우, U-Net 유사 분할 네트워크의 성능에 어떤 영향을 미치는가?
• RQ3 엣지-어텐션를 활용한 다중 스케일 특징의 가중 융합은 최종 분할 결과에 어느 정도 기여하는가?
• RQ4 제안된 ET-Net은 망막, X-레이, CT 스캔을 포함한 다양한 의료 영상 작업에 일반화되는가?
• RQ5 작업별 아키텍처 수정 없이도 ET-Net이 기존 최고 성능(SOTA) 방법을 뛰어넘을 수 있는가?

주요 결과

• ET-Net은 망막 녹내라 분석 데이터셋(Drishti-GS)에서 망막판 및 망막구 분할 작업에서 mIoU 87.92%를 기록하며 기반 네트워크 대비 3.51%포인트 향상되었다.
• 망막 혈관 분할 작업을 위한 DRIVE 데이터셋에서 ET-Net은 mIoU 77.44%와 정확도 95.60%를 달성하여 U-Net, M-Net, FCN을 모두 능가했다.
• 흉부 X-레이(MC 데이터셋)에서 폐 분할 작업에서 ET-Net은 mIoU 94.20%와 정확도 98.65%를 기록하며 이전 최고 성능(SOTA) 방법을 초월했다.
• LUNA CT 데이터셋에서 ET-Net은 mIoU 96.23%와 정확도 98.68%를 기록하여 3D 부피 영상 분석에서 뛰어난 성능을 보였다.
• 절단 실험 결과, EGM과 WAM 모두 성능 향상에 기여하며, EGM만으로도 mIoU가 2.08포인트 향상됨을 확인했다.
• 정성적 결과 분석에서 ET-Net은 기반 모델 대비 더 정확하고 연속적인 경계 예측을 생성함을 확인했으며, 특히 엣지 영역에서 뛰어난 성능을 보였다.