[논문 리뷰] Fully Automatic Wound Segmentation with Deep Convolutional Neural Networks

Chuanbo Wang, DM Anisuzzaman외 6명|arXiv (Cornell University)|2020. 10. 12.

Diabetic Foot Ulcer Assessment and Management참고 문헌 22인용 수 14

한 줄 요약

이 논문은 자연스러운 피부 영상에서 발저림 부위를 정확하게 식별하고 분할하기 위해 MobileNetV2 기반의 딥 컨volution 신경망과 연결 요소 라벨링을 결합한 완전 자동화된 상처 분할 방법을 제안한다. 자체 구축한 1,109장의 레이블링된 발저림 영상 데이터셋에서 높은 분할 정확도를 달성하여 임상 상처 평가 응용 분야에서 뛰어난 성능과 이동성을 입증한다.

ABSTRACT

Acute and chronic wounds have varying etiologies and are an economic burden to healthcare systems around the world. The advanced wound care market is expected to exceed $22 billion by 2024. Wound care professionals rely heavily on images and image documentation for proper diagnosis and treatment. Unfortunately lack of expertise can lead to improper diagnosis of wound etiology and inaccurate wound management and documentation. Fully automatic segmentation of wound areas in natural images is an important part of the diagnosis and care protocol since it is crucial to measure the area of the wound and provide quantitative parameters in the treatment. Various deep learning models have gained success in image analysis including semantic segmentation. Particularly, MobileNetV2 stands out among others due to its lightweight architecture and uncompromised performance. This manuscript proposes a novel convolutional framework based on MobileNetV2 and connected component labelling to segment wound regions from natural images. We build an annotated wound image dataset consisting of 1,109 foot ulcer images from 889 patients to train and test the deep learning models. We demonstrate the effectiveness and mobility of our method by conducting comprehensive experiments and analyses on various segmentation neural networks.

연구 동기 및 목표

• 상처 간호 전문 지식의 부족으로 인한 일관성 없고 정확도가 떨어지는 상처 진단 문제를 해결하기 위해.
• 비표준적이고 비이상적인 이미지에서 상처 영역을 완전 자동으로 분할하는 딥 러닝 기반의 방법을 개발하기 위해.
• 임상 환경에서 정밀한 분할과 면적 측정을 가능하게 하여 정량적 상처 평가를 향상시키기 위해.
• 모바일 및 임상 환경에 배포하기에 적합한 경량이면서도 정확한 모델을 만들기 위해.
• 889명의 환자로부터 수집한 1,109장의 다양한 발저림 영상으로 구성된 대규모 데이터셋을 바탕으로 방법을 검증하기 위해.

제안 방법

• 자연스러운 영상에서 상처 영역의 의미적 분할을 위해 MobileNetV2 기반의 딥 러닝 프레임워크를 사용한다.
• 모델은 889명의 환자로부터 확보한 자체 레이블링된 1,109장의 발저림 영상 데이터셋을 기반으로 훈련 및 테스트된다.
• 분할 후 처리 단계에서 배경 잡음과 아티팩트로부터 상처 영역을 정제하고 분리하기 위해 연결 요소 라벨링 기법을 적용한다.
• 깊이 분리형 컨볼루션을 활용하여 계산 비용을 줄이면서도 높은 정확도를 유지하는 아키텍처를 설계한다.
• 다양한 피부 톤과 상처 외관에 걸쳐 모델의 일반화 능력을 향상시키기 위해 데이터 증강 기법을 사용한다.
• 다양한 딥 러닝 아키텍처를 대상으로 평가한 결과, MobileNetV2가 속도와 정확도 사이의 최적의 균형을 보였다.

실험 결과

연구 질문

• RQ1 경량 딥 러닝 모델이 실제 세계의 자연스러운 영상에서 높은 정확도로 상처 분할을 달성할 수 있는가?
• RQ2 제안된 MobileNetV2 기반 프레임워크는 다른 최첨단 분할 네트워크와 비교해 상처 분할 작업에서 어떤가?
• RQ3 딥 러닝 추론 후 연결 요소 라벨링이 얼마나 정밀도 향상에 기여하는가?
• RQ4 모델의 일반화 능력은 다양한 환자 집단과 상처 유형에 걸쳐 얼마나 뛰어난가?
• RQ5 계산 효율성 덕분에 모델이 모바일 또는 임상 환경에 효과적으로 구현될 수 있는가?

주요 결과

• 제안된 방법은 자체 구축한 상처 영상 데이터셋에서 높은 분할 정확도를 달성하였으며, 여러 기준 모델을 능가하였다.
• MobileNetV2는 정확도와 추론 속도 사이의 균형을 잘 유지하여 실시간 임상 적용에 적합한 성능을 보였다.
• 연결 요소 라벨링의 통합으로 가짜 양성 결과가 크게 감소하였고, 상처 영역 탐지 정밀도가 향상되었다.
• 모델은 다양한 피부 톤과 상처 유형에 대해 뛰어난 강건성을 보이며 강력한 일반화 능력을 입증하였다.
• 포괄적인 아블레이션 연구를 통해 제안된 아키텍처와 후처리 파이프라인의 효과성이 확인되었다.
• 레이블링된 1,109장의 발저림 영상으로 구성된 데이터셋은 공개되어 있으며 향후 연구를 위한 유의미한 기준점이 된다.