[논문 리뷰] High-level Prior-based Loss Functions for Medical Image Segmentation: A Survey

Rosana El Jurdia, Caroline Petitjean외 3명|arXiv (Cornell University)|2020. 11. 16.

Advanced Neural Network Applications참고 문헌 34인용 수 9

한 줄 요약

이 종합 검토는 딥 러닝 기반 의료 영상 분할에서 해부학적 타당성을 향상시키기 위해 고수준 사전 지식 기반 손실 함수를 소개한다. 형태, 크기, 위상성 및 영역 간 제약 조건과 같은 사전 지식을 직접 손실 함수에 통합함으로써, 경계 정확도를 향상시키고 분할 오류를 줄일 수 있으며, 현재의 접근 방식을 체계적으로 분류하고 분석한다.

ABSTRACT

Today, deep convolutional neural networks (CNNs) have demonstrated state of the art performance for supervised medical image segmentation, across various imaging modalities and tasks. Despite early success, segmentation networks may still generate anatomically aberrant segmentations, with holes or inaccuracies near the object boundaries. To mitigate this effect, recent research works have focused on incorporating spatial information or prior knowledge to enforce anatomically plausible segmentation. If the integration of prior knowledge in image segmentation is not a new topic in classical optimization approaches, it is today an increasing trend in CNN based image segmentation, as shown by the growing literature on the topic. In this survey, we focus on high level prior, embedded at the loss function level. We categorize the articles according to the nature of the prior: the object shape, size, topology, and the inter-regions constraints. We highlight strengths and limitations of current approaches, discuss the challenge related to the design and the integration of prior-based losses, and the optimization strategies, and draw future research directions.

연구 동기 및 목표

• 딥 컨volution 네트워크 기반 의료 영상 분할에서 해부학적으로 불합리한 분할 결과가 반복적으로 발생하는 문제를 해결하기 위해, 특히 물체 경계 근처에서의 문제를 다룬다.
• 학습 중에 고수준 사전 지식을 손실 함수에 통합하는 최근의 접근 방식을 체계적으로 분류하기 위해 노력한다.
• 지도 기반 의료 영상 분할에서 사전 지식 기반 손실 함수의 강점, 한계 및 최적화 전략을 분석한다.
• 효과적인 사전 지식 기반 손실 함수를 설계하고 통합하는 데 있어 남아 있는 도전 과제와 향후 연구 방향을 규명한다.

제안 방법

• 고수준 사전 지식의 유형에 따라 사전 지식 기반 손실 함수를 분류한다: 물체 형태, 크기, 위상성, 영역 간 제약 조건.
• 공간적 및 구조적 사전 지식가 손실 함수에 어떻게 코딩되는지 분석하여 분할 예측을 정규화한다.
• 네트워크 아키텍처나 후처리 단계가 아닌 손실 수준에서 사전 지식를 통합하는 방식을 평가한다.
• 사전 지식를 고려한 손실 함수를 사용해 모델을 훈련시키기 위한 최적화 전략을 조사한다. 이는 기울기 안정성 및 수렴 행동을 포함한다.
• 형태 인식 정규화자 및 위상 일관성 손실과 같은 다양한 사전 지식 기반 손실의 형태를 비교한다.
• 다양이 가능한 미분 가능 도함수의 역할을 강조하여 사전 제약 조건을 갖는 엔드 투 엔드 훈련을 가능하게 한다.

실험 결과

연구 질문

• RQ1 형태, 크기, 위상성 및 영역 간 관계와 같은 다양한 유형의 고수준 사전 지식가 분할 성능에 어떤 영향을 미치는가?
• RQ2 학습 안정성을 해치지 않으면서 사전 지식를 손실 함수에 효과적으로 통합하는 데 가장 효과적인 전략은 무엇인가?
• RQ3 기존의 손실 함수와 비교했을 때, 사전 지식 기반 손실 함수는 경계 정확도와 해부학적 타당성 측면에서 어떻게 다른가?
• RQ4 다양한 의료 영상 작업에 적용 가능한 사전 지식 기반 손실 함수를 설계하고 최적화하는 데 있어 핵심 과제는 무엇인가?
• RQ5 의료 영상 분할 분야에서 사전 지식 기반 손실 함수를 발전시키기 위해 가장 유망한 향후 연구 방향은 무엇인가?

주요 결과

• 사전 지식 기반 손실 함수는 해부학적 타당성을 강화함으로써, 특히 물체 경계 근처에서 분할 정확도를 크게 향상시킨다.
• 형태 및 위상성 사전 지식는 복잡한 해부학적 구조에서 분할 구멍과 비정상적인 형태를 줄이는 데 특히 효과적이다.
• 영역 간 제약 조건은 복부나 심장 MRI 분할에서 인접한 해부학적 구조 간 공간 일관성을 유지하는 데 도움을 준다.
• 손실 수준에서 사전 지식를 통합하는 방식은 네트워크 아키텍처 수정이나 후처리보다 더 유연하고 훈련 가능성이 높다.
• 장점이 있음에도 불구하고, 다양한 영상 모odalities에 걸쳐 미분 가능하고 안정적이며 일반화 가능한 사전 지식 기반 손실 함수를 설계하는 데 도전 과제가 남아 있다.
• 향후 연구는 학습 가능한 사전 지식 및 적응형 손실 가중치를 중심으로 하여 안정성과 일반화 능력을 향상시켜야 한다.