[논문 리뷰] Improving Segmentation of Objects with Varying Sizes in Biomedical Images using Instance-wise and Center-of-Instance Segmentation Loss Function

Muhammad Febrian Rachmadi, Charissa Poon외 1명|arXiv (Cornell University)|2023. 04. 13.

Advanced Neural Network Applications인용 수 6

한 줄 요약

이 논문은 다양한 크기의 객체를 가진 생물의학 영상의 분할 성능을 향상시키기 위해 인스턴스별 및 인스턴스 중심(regularization)을 조합한 새로운 복합 손실 함수인 인스턴스별 및 인스턴스 중심(ICI) 손실을 제안한다. 이는 딱딱한 손실과 블롭 손실보다 유의미하게 뛰어나며, 뇌졸중 병변 분할 작업에서 DSC(Dice 유사도 계수) 평균 2.7% 향상률을 기록한다.

ABSTRACT

In this paper, we propose a novel two-component loss for biomedical image segmentation tasks called the Instance-wise and Center-of-Instance (ICI) loss, a loss function that addresses the instance imbalance problem commonly encountered when using pixel-wise loss functions such as the Dice loss. The Instance-wise component improves the detection of small instances or ``blobs" in image datasets with both large and small instances. The Center-of-Instance component improves the overall detection accuracy. We compared the ICI loss with two existing losses, the Dice loss and the blob loss, in the task of stroke lesion segmentation using the ATLAS R2.0 challenge dataset from MICCAI 2022. Compared to the other losses, the ICI loss provided a better balanced segmentation, and significantly outperformed the Dice loss with an improvement of $1.7-3.7\%$ and the blob loss by $0.6-5.0\%$ in terms of the Dice similarity coefficient on both validation and test set, suggesting that the ICI loss is a potential solution to the instance imbalance problem.

연구 동기 및 목표

• 크고 작은 객체가 혼재된 생물의학 영상 분할에서 큰 객체가 작은 객체를 지배하는 인스턴스 불균형 문제를 해결한다.
• 혼합 크기의 객체가 포함된 MRI 스캔에서 희소하고 작은 인스턴스(예: 뇌졸중 병변)의 탐지 성능을 향상시킨다.
• 인스턴스별 및 인스턴스 중심 감독을 조합한 손실 함수를 개발하여 다양한 크기의 객체에서 분할 정확도를 향상시킨다.
• 임상적 의미가 있는 실제 도전 과제 데이터셋(ATLAS R2.0)에서 ICI 손실의 효과성을 입증한다.
• 특히 패치 기반 및 전체 영상 추론에서의 성능을 높이기 위해 초기화 파라미터에 민감하지 않은 강건한 손실 함수를 제공한다.

제안 방법

• 두 구성 요소로 이루어진 손실 함수를 제안: 인스턴스별 손실(L_instance)과 인스턴스 중심 손실(L_center), 각각 인스턴스 단위로 계산된다.
• L_instance는 예측된 인스턴스 마스크와 진짜 마스크 간의 교차율(IoU)을 계산하여 각 인스턴스의 오답 양성 및 오답 음성에 대해 페널티를 가한다.
• L_center는 각 인스턴스의 예측 중심점과 진짜 중심 간의 IoU를 계산하여 정확한 국소화를 강제한다.
• 두 손실을 가중치 합으로 조합: L_ICI = a·L_instance + b·L_center, 여기서 a, b는 학습 가능한 또는 고정된 하이퍼파rameter이다.
• 기본 픽셀 단위 손실(예: 딱딱한 손실)과 ICI 손실을 정규화자로 통합하여 학습 안정성과 일반화 성능을 향상시킨다.
• 인스턴스 수준 평가를 위해 예측 분할 맵으로부터 개별 인스턴스를 식별하기 위해 연결 성분 분석(Connected Component Analysis, CCA)을 사용한다.

실험 결과

연구 질문

• RQ1 인스턴스별 및 인스턴스 중심 감독을 조합한 복합 손실 함수가 소형 및 대형 객체의 분할 성능을 동시에 향상시킬 수 있는가?
• RQ2 표준 픽셀 단위 손실(예: 딱딱한 손실)과 인스턴스별 손실(예: 블롭 손실)에 비해 ICI 손실은 생물의학 영상에서 인스턴스 불균형 문제를 어떻게 다루는가?
• RQ3 ICI 손실은 전체 영상 대비 패치 기반 추론과 같은 다양한 입력 스케일 및 테스트 세트에서 일관된 성능을 유지하는가?
• RQ4 하이퍼파rameter 가중치(a, b, c)가 ICI 손실 성능에 미치는 영향은 무엇이며, 간단한 기본 설정(a=b=c=1)이 강건한 성능을 달성할 수 있는가?
• RQ5 복잡하고 크기가 다양한 병변이 포함된 실제 임상 데이터셋(예: MRI에서의 뇌졸중 병변)에서 ICI 손실은 효과적인가?

주요 결과

• ICI 손실은 ATLAS R2.0 데이터셋의 검증 및 테스트 세트에서 딱딱한 손실 대비 1.7–3.7% 향상된 DSC(Dice 유사도 계수)를 기록했으며, 블롭 손실 대비 0.6–5.0% 향상되었다.
• 테스트 세트에서 a=1/4, b=1/2, c=1/4 설정 시 ICI 손실은 평균 DSC 순위에서 블롭 손실(0.5805)과 딱딱한 손실(0.5598)을 모두 앞서는 DSC 0.5817을 달성했다.
• ICI 손실은 테스트 세트에서 최고의 평균 순위(1.75)를 기록하여 다수의 평가 지표에서 뛰어난 종합적인 분할 품질을 나타냈다.
• ICI 손실은 병변 수 오차와 부피 차이를 감소시켰으며, 최적 설정(a=1, b=1, c=1)에서 테스트 세트에서 가장 낮은 병변 수 오차(4.78)와 부피 차이(11,564.10)를 기록했다.
• 초기화 파라미터 조정 없이도 간단한 기본 설정(a=1, b=1, c=1)을 사용하여 모든 평가 지표에서 일관된 향상이 이루어졌다.
• ICI 손실은 예측 불가능한 테스트 데이터에 대해 일관된 성능 향상을 보였으며, 검증 및 테스트 세트 모두에서 유사한 성능 향상이 관찰되어 강력한 일반화 능력을 보였다.