[논문 리뷰] LadderNet: Multi-path networks based on U-Net for medical image segmentation

Juntang Zhuang|arXiv (Cornell University)|2018. 10. 17.

Retinal Imaging and Analysis참고 문헌 15인용 수 222

한 줄 요약

LadderNet은 U-Net을 다중 분기 체인으로 확장하고 공유 가중치 잔차 블록으로 구성된 FCN의 앙상블을 형성하여 망막 혈관 분할을 개선한다. DRIVE와 CHASE_DB1 데이터셋에서 최첨단 지표를 달성한다.

ABSTRACT

U-Net has been providing state-of-the-art performance in many medical image segmentation problems. Many modifications have been proposed for U-Net, such as attention U-Net, recurrent residual convolutional U-Net (R2-UNet), and U-Net with residual blocks or blocks with dense connections. However, all these modifications have an encoder-decoder structure with skip connections, and the number of paths for information flow is limited. We propose LadderNet in this paper, which can be viewed as a chain of multiple U-Nets. Instead of only one pair of encoder branch and decoder branch in U-Net, a LadderNet has multiple pairs of encoder-decoder branches, and has skip connections between every pair of adjacent decoder and decoder branches in each level. Inspired by the success of ResNet and R2-UNet, we use modified residual blocks where two convolutional layers in one block share the same weights. A LadderNet has more paths for information flow because of skip connections and residual blocks, and can be viewed as an ensemble of Fully Convolutional Networks (FCN). The equivalence to an ensemble of FCNs improves segmentation accuracy, while the shared weights within each residual block reduce parameter number. Semantic segmentation is essential for retinal disease detection. We tested LadderNet on two benchmark datasets for blood vessel segmentation in retinal images, and achieved superior performance over methods in the literature. The implementation is provided \url{https://github.com/juntang-zhuang/LadderNet}

연구 동기 및 목표

• U-Net과 유사한 아키텍처에서 표준 인코더-디코더 스킵 연결을 넘어 정보 흐름을 개선하려는 동기를 제시한다.
• 인접 분기 간의 스킵 연결을 갖는 다중 U-Net의 체인인 LadderNet을 도입한다.
• 다중 정보 흐름 경로를 가능하게 하면서 공유 가중치 잔차 블록으로 매개변수를 감소시킨다.
• 이전 방법들과 비교하여 망막 혈관 데이터셋에서 탁월한 분할 성능을 보여준다.

제안 방법

• 인접 디코더 분기 사이에 스킵 연결이 있는 U-Net의 체인을 형성하는 다중 분기 네트워크로 LadderNet을 제안한다.
• 더 큰 수용 영역으로 이동하기 위해 stride-2 컨볼루션을 사용하고 피처를 전파하기 위해 stride-2 전치 컨볼루션을 사용한다.
• 연속 열에서 각 레벨의 채널 수를 두 배로 늘린다.
• 두 컨볼루션이 동일한 가중치를 공유하도록 공유 가중치 잔차 블록을 구현하고 이들 사이에 드롭아웃을 삽입한다.
• 다중 정보 흐름 경로로 인해 LadderNet을 FCN의 앙상블로 간주하고 가중치 공유를 통해 매개변수를 줄인다.

실험 결과

연구 질문

• RQ1 전통적인 U-Net 아키텍처를 넘어 정보 흐름 경로를 증가시켜 LadderNet이 의미론적 분할 성능을 향상시킬 수 있는가?
• RQ2 공유 가중치 잔차 블록 설계가 매개변수를 감소시키면서 정확도를 유지하거나 향상시킬 수 있는가?
• RQ3 DRIVE와 CHASE_DB1에서 기존의 U-Net 변형들과 비교했을 때 망막 혈관 분할에서 LadderNet의 성능은 어떠한가?
• RQ4 LadderNet이 실질적으로 FCN의 앙상블이며, 이것이 AUC 및 F1-점수의 향상으로 이어지는가?

주요 결과

• LadderNet은 나열된 방법들과 비교하여 DRIVE와 CHASE_DB1에서 가장 높은 F1-score, ACC(AC), 및 AUC를 달성한다.
• DRIVE에서 LadderNet은 F1-score 0.8202, SE 0.7856, SP 0.9810, AC 0.9561, AUC 0.9793를 얻는다.
• CHASE_DB1에서 LadderNet은 F1-score 0.8031, SE 0.7978, SP 0.9818, AC 0.9656, AUC 0.9839를 얻는다.
• LadderNet의 ROC 및 정밀도-재현 곡선은 두 데이터셋 모두에서 AUC가 0.97 이상, PR AUC가 0.88 이상인 최상위 성능을 나타낸다.
• 공유 가중치 잔차 블록은 매개변수 수를 줄이고 분할 성능을 유지하거나 향상시킨다.