[논문 리뷰] Learning Euler's Elastica Model for Medical Image Segmentation

Xu Chen, Xiangde Luo외 4명|arXiv (Cornell University)|2020. 11. 01.

Medical Image Segmentation Techniques참고 문헌 29인용 수 11

한 줄 요약

이 논문은 딥러닝 기반 의료 영상 분할에 곡률, 길이 및 영역 기반 제약 조건을 통합한 미분 가능 Active Contour with Elastica (ACE) 손실 함수를 제안한다. 평균 곡률을 정밀한 기하학적 사전 지식으로 활용하고, 3D 라플라시안 기반 근사법(Fast-ACE)을 도입함으로써 2D 및 3D 데이터셋에서 분할 정확도와 학습 효율성을 향상시켰으며, DICE 및 HD95 지표에서 최신 기술을 능가한다.

ABSTRACT

Image segmentation is a fundamental topic in image processing and has been studied for many decades. Deep learning-based supervised segmentation models have achieved state-of-the-art performance but most of them are limited by using pixel-wise loss functions for training without geometrical constraints. Inspired by Euler's Elastica model and recent active contour models introduced into the field of deep learning, we propose a novel active contour with elastica (ACE) loss function incorporating Elastica (curvature and length) and region information as geometrically-natural constraints for the image segmentation tasks. We introduce the mean curvature i.e. the average of all principal curvatures, as a more effective image prior to representing curvature in our ACE loss function. Furthermore, based on the definition of the mean curvature, we propose a fast solution to approximate the ACE loss in three-dimensional (3D) by using Laplace operators for 3D image segmentation. We evaluate our ACE loss function on four 2D and 3D natural and biomedical image datasets. Our results show that the proposed loss function outperforms other mainstream loss functions on different segmentation networks. Our source code is available at https://github.com/HiLab-git/ACELoss.

연구 동기 및 목표

• 표준 픽셀 단위 손실 함수가 기하 제약 조건을 갖추지 못하는 점을 해결하기 위해.
• 특히 곡률과 길이와 같은 기하 사전 지식을 딥러닝 모델에 통합하여 분할의 강건성과 정확도를 향상시키기 위해.
• 오일러의 엘라스티카 모델을 딥 네ural 네트워크에 통합한, 미분 가능하고 엔드 투 엔드로 훈련 가능한 손실 함수를 개발하기 위해.
• 라플라시안 연산자를 활용한 근사법을 제안하여 3D 분할 훈련 속도를 가속화하기 위해.
• 다양한 2D 및 3D 의료 영상 데이터셋에서 제안된 ACE 및 Fast-ACE 손실 함수를 검증하여 뛰어난 성능을 입증하기 위해.

제안 방법

• ACE 손실 함수는 엘라스티카 에너지(곡률 및 길이)와 영역 기반 적합성 항목을 조합하며, 레벨셋 표현을 사용한 이산 3D 형태로 정의된다.
• 주곡률의 평균으로 유도된 평균 곡률이 곡률의 더 정확하고 물리적으로 의미 있는 표현으로 사용된다.
• 곡률 항목을 라플라시안 연산자로 근사함으로써 계산 비용을 줄인 3D 빠른 해법인 Fast-ACE가 제안된다.
• 손실 함수는 미분 가능하며, 표준 역전파 알고리즘을 사용한 엔드 투 엔드 훈련이 가능한 딥 네URAL 네트워크(U-Net, V-Net 등)에 통합된다.
• 하이퍼파ram터 α(길이) 및 β(곡률)는 객체의 구조에 따라 조정되며, 관통 구조에 대해서는 β ∈ (0,2), 비관통 구조에 대해서는 β ∈ (2,10)으로 설정된다.
• 이 방법은 두 개의 2D 데이터셋(DRIVE, 망막 혈관)과 두 개의 3D 데이터셋(췌장, 심방)을 대상으로 평가되었으며, 다양한 아키텍처를 사용하였다.

실험 결과

연구 질문

• RQ1 곡률과 길이와 같은 기하 사전 지식을 딥러닝 손실 함수에 통합하면 의료 영상 분할 정확도가 향상되는가?
• RQ2 기존의 곡률 표현 방식보다 평균 곡률이 영상 분할에서 더 효과적인 기하 사전 지식인가?
• RQ3 라플라시안 기반 근사법을 사용한 미분 가능한 빠른 엘라스티카 손실(Fast-ACE)은 3D 의료 영상 분할에서 학습 시간을 단축시키면서도 높은 성능을 유지할 수 있는가?
• RQ4 DICE, HD95 및 학습 효율성 측면에서 ACE 손실은 주요 손실 함수(HD, CE 등)와 비교해 어떻게 성능을 냈는가?
• RQ5 제안된 손실 함수는 다양한 해부학적 구조와 영상 모odalities에 일반화될 수 있는가?

주요 결과

• DRIVE 데이터셋에서 ACE 손실을 사용한 2D U-Net은 DICE 점수 0.831과 AUC 0.979를 기록하여 최신 기술을 능가했다.
• 심방 MRI 데이터셋에서 Fast-ACE 손실을 사용한 3D U-Net은 DICE 점수 0.891과 HD95 9.72를 기록하여 기존 방법을 초월했다.
• Fast-ACE 손실은 표준 ACE 손실 대비 약 20%의 학습 시간을 단축시켰으며, 심방 데이터셋에서 1에포크당 3.3초의 시간을 기록했다.
• ACE 손실은 특히 관통 구조에서 연결성 유지와 경계 보간 오류 감소 측면에서 표준 손실 함수보다 분할 정확도를 향상시켰다.
• 네 가지 다양한 데이터셋과 네 가지의 다른 네트워크 아키텍처에서 일관된 성능 향상을 보이며 강력한 일반화 능력을 입증했다.
• 최적의 정규화 가중치 β는 구조에 따라 달라졌으며, 관통 구조에서는 β ∈ (0,2), 비관통 구조에서는 β ∈ (2,10)으로 설정되었으며, 이는 구조 인식 기반의 가중치 조정이 유익함을 시사한다.