[논문 리뷰] Gland Instance Segmentation by Deep Multichannel Neural Networks

Yan Xu, Yang Li외 5명|arXiv (Cornell University)|2016. 07. 17.

AI in cancer detection인용 수 10

한 줄 요약

이 논문은 심층 다중채널 신경망 아키텍처를 활용하여 대장 히스토모로지 영상에서 샘기능 분할을 위한 프레임워크를 제안한다. 이는 완전 컨volution 네트워크를 통해 전경 분할, 가장자리 검출, 객체 위치 지정 기능을 융합함으로써 최상의 성능을 달성한다. 이 방법은 영역 제안 또는 수작업 특징 추출에 의존하지 않고 다중 수준의 맥락, 경계, 공간 정보를 효과적으로 융합함으로써 MICCAI 2015 샘 분할 챌린지에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

In this paper, we propose a new image instance segmentation method that segments individual glands (instances) in colon histology images. This is a task called instance segmentation that has recently become increasingly important. The problem is challenging since not only do the glands need to be segmented from the complex background, they are also required to be individually identified. Here we leverage the idea of image-to-image prediction in recent deep learning by building a framework that automatically exploits and fuses complex multichannel information, regional, location and boundary patterns in gland histology images. Our proposed system, deep multichannel framework, alleviates heavy feature design due to the use of convolutional neural networks and is able to meet multifarious requirement by altering channels. Compared to methods reported in the 2015 MICCAI Gland Segmentation Challenge and other currently prevalent methods of instance segmentation, we observe state-of-the-art results based on a number of evaluation metrics.

연구 동기 및 목표

• 모양이 다양하고 복잡한 형태적 특징을 보이는 대장 히스토모로지 영상에서 정확한 샘 인스턴스 분할을 해결하기 위해.
• 정성 분할 및 전통적인 인스턴스 분할 방법이 노이즈가 많고 이질적인 의료 영상에서 개별 샘을 구분하지 못하는 한계를 극복하기 위해.
• 수작업 특징 설계 없이도 자동으로 다중채널 특징(영역, 경계, 위치)을 학습하고 융합할 수 있는 엔드 투 엔드 딥 러닝 프레임워크를 개발하기 위해.
• H&E 염색 슬라이드에서 흔히 발생하는 형태적 변동성, 이소크로마시아, 영상 잡음 등에 대비해 분할 정확도와 내구성을 향상시키기 위해.

제안 방법

• 프레임워크는 세 가지 별도의 입력 채널(전경 분할, 가장자리 검출, 객체 위치 지정 특징)을 처리하는 심층 다중채널 신경망을 사용한다.
• 수축을 최소화하면서 수용 필드를 확장하고 공간적 세부 정보를 유지하기 위해 아트로스 컨volution을 사용하는 완전 컨volution 네트워크(FCNs)를 활용한다.
• 각 채널의 특징 맵은 연결되어 융합 네트워크를 통과하여 최종 인스턴스 분할 출력을 생성한다.
• 일반화 성능 향상과 과적합 방지를 위해 기하학적 및 강도 변환 등의 데이터 증강 전략을 적용한다.
• 가장자리 픽셀이 배경 및 전경에 비해 희박한 데 기인한 클래스 불균형 문제를 해결하기 위해 가장자리 팽창 기법을 사용한다.
• 분할 정확도와 경계 정밀도를 동시에 최적화하기 위해 통합 손실 함수를 사용하여 엔드 투 엔드로 모델을 훈련한다.

실험 결과

연구 질문

• RQ1 심층 다중채널 프레임워크는 영역, 경계, 공간 맥락 특징을 효과적으로 융합하여 병리 영상에서의 인스턴스 분할 성능을 향상시킬 수 있는가?
• RQ2 먼저 영역을 검출하고 그 안에서 분할을 수행하는 캐스케이드 아키텍처와 비교해 볼 때, 다중 신경망 스트림의 융합 방식은 어떤가?
• RQ3 데이터 증강 및 가장자리 팽창 전략이 불균형한 샘 분할 작업에서 모델의 내구성과 성능 향상에 어느 정도 기여하는가?
• RQ4 아트로스 컨볼루션을 사용함으로써 공간 해상도를 유지하면서 수용 필드를 확장함으로써 분할 정확도가 향상되는가?

주요 결과

• 제안된 심층 다중채널 프레임워크는 MICCAI 2015 샘 분할 챌린지에서 최신 기술 수준의 성능을 달성하여 여러 평가 지표에서 기존 방법을 능가했다.
• 절단 실험을 통해 전경, 가장자리, 위치 채널을 모두 조합할 경우 두 채널만 사용하는 경우보다 뛰어난 성능을 내는 것으로 확인되었다.
• 아트로스 컨볼루션의 사용은 과도한 다운샘플링 없이 수용 필드를 확장함으로써 분할 정밀도를 크게 향상시켰다.
• 데이터 증강 및 가장자리 팽창 전략은 클래스 불균형 문제를 효과적으로 완화하고 훈련 수렴성과 가장자리 검출 정확도를 향상시켰다.
• 캐스케이드 아키텍처(검출 → 바운딩 박스 내 분할)를 사용한 베이스라인 실험은 열등한 성능을 보였으며, 이는 엔드 투 엔드 공동 학습의 우수성을 입증한다.