[논문 리뷰] Learning Normalized Inputs for Iterative Estimation in Medical Image Segmentation

Michal Drozdzal, Gabriel Chartrand외 7명|arXiv (Cornell University)|2017. 02. 16.

Advanced Neural Network Applications참고 문헌 38인용 수 5

한 줄 요약

이 논문은 원시 의료 영상의 분포에 민감한 깊이 있는 FC-ResNet의 성능을 향상시키기 위해, 경량화된 완전 컨volution 네트워크(FCN)를 학습 가능한 전처리기로 사용하는 새로운 의료 영상 분할 파이프라인을 제안한다. 이 전처리기는 영상의 입력을 정규화한 후 깊이 있는 FC-ResNet에 공급한다. 제안된 방법은 EM ISBI 2012 벤치마크에서 최고 성능을 기록하였고, 표준 FCN 대비 간질 병변 분할 성능을 향상시켰으며, 3D MRI 전립선 분할 과제에서도 경쟁력 있는 결과를 도출하여 다양한 영상 모odalities와 해부학적 영역에서 뛰어난 유연성을 입증하였다.

ABSTRACT

In this paper, we introduce a simple, yet powerful pipeline for medical image segmentation that combines Fully Convolutional Networks (FCNs) with Fully Convolutional Residual Networks (FC-ResNets). We propose and examine a design that takes particular advantage of recent advances in the understanding of both Convolutional Neural Networks as well as ResNets. Our approach focuses upon the importance of a trainable pre-processing when using FC-ResNets and we show that a low-capacity FCN model can serve as a pre-processor to normalize medical input data. In our image segmentation pipeline, we use FCNs to obtain normalized images, which are then iteratively refined by means of a FC-ResNet to generate a segmentation prediction. As in other fully convolutional approaches, our pipeline can be used off-the-shelf on different image modalities. We show that using this pipeline, we exhibit state-of-the-art performance on the challenging Electron Microscopy benchmark, when compared to other 2D methods. We improve segmentation results on CT images of liver lesions, when contrasting with standard FCN methods. Moreover, when applying our 2D pipeline on a challenging 3D MRI prostate segmentation challenge we reach results that are competitive even when compared to 3D methods. The obtained results illustrate the strong potential and versatility of the pipeline by achieving highly accurate results on multi-modality images from different anatomical regions and organs.

연구 동기 및 목표

• 원시 의료 영상의 입력 분포에 민감한 깊이 있는 FC-ResNets의 성능 저하 문제를 해결하기 위해.
• 전자현미경, CT, MRI를 포함한 다양한 의료 영상 모odalities에서 분할 정확도를 향상시키기 위해.
• FC-ResNets의 임베디드 잔차 아키텍처를 활용하여 반복적 개선을 가능하게 하는 전처리의 역할을 탐색하기 위해.
• 낮은 용량의 FCN이 기존 수작업으로 설계된 정규화 방법보다 우수한 성능을 보이는 효과적인 학습 가능한 전처리기로 기능할 수 있음을 입증하기 위해.
• 2D 및 3D 의료 영상 과제에 걸쳐 파이프라인의 일반화 능력과 강인성을 검증하기 위해.

제안 방법

• 경량 FCN을 원시 의료 영상 입력을 정규화하기 위해 엔드 투 엔드로 훈련하는 전처리기로 사용하며, 모odal별로 특화된 강도 분포를 학습한다.
• 전처리기의 출력은 초과 100층에 이르는 매우 깊은 FC-ResNet에 공급되며, 잔차 블록을 통해 정규화된 입력을 반복적으로 개선한다.
• FC-ResNet는 스킵 연결과 배치 정규화를 사용하여 깊이 있는 최적화와 안정적인 기울기 흐름을 가능하게 하여 최종 분할 맵의 반복적 추정을 수행한다.
• 파이프라인이 완전 컨volution형이므로 아키텍처 수정 없이 다양한 영상 모odalities에 직접 적용 가능하다.
• 전처리기는 FC-ResNet와 함께 엔드 투 엔드 방식으로 공동 훈련되어, 분할에 최적화된 입력 정규화를 네트워크가 학습할 수 있도록 한다.
• 이 방법은 ResNets의 반복적 추론 해석을 활용하며, FCN이 초도 제안을 제공하고 FC-ResNet이 다중 잔차 업데이트를 통해 이를 개선한다.

실험 결과

연구 질문

• RQ1 학습 가능한 경량 FCN 전처리기가 깊이 있는 FC-ResNets의 의료 영상 분할 성능을 크게 향상시킬 수 있는가?
• RQ2 다양한 영상 모dalities에서 제안된 파이프라인이 기존 수작업으로 설계된 전처리 기법과 비교해 분할 정확도에서 어떤가?
• RQ3 2D FC-ResNet 파이프라인이 도전적인 3D 의료 영상 분할 과제에서 경쟁 가능한 성능을 달성할 수 있는가?
• RQ4 전처리기 통합이 ResNets의 반복적 추정 해석과 일치하는가, 그리고 모델의 강인성을 향상시키는가?
• RQ5 제안된 프레임워크는 아키텍처 수정 없이 다양한 해부학적 영역과 영상 프로토콜에 일반화될 수 있는가?

주요 결과

• 제안된 파이프라인은 도전적인 EM ISBI 2012 벤치마크에서 다른 2D 방법보다 최고 성능을 기록하였다.
• 3D MRI 전립선 분할 과제에서 2D 파이프라인이 경쟁력 있는 성능을 달성하여, 3D 데이터에 적용되었을 때도 강력한 일반화 능력을 입증하였다.
• 표준 FCN 기반 모델 대비 간질 병변 CT 영상에서의 분할 정확도가 향상되어, 학습 가능한 전처리의 이점을 입증하였다.
• FCN 전처리기는 입력 데이터를 효과적으로 정규화하여 스캔 간 강도 변동성을 감소시키고, 후속 분할 성능 향상에 기여하였다.
• 학습 가능한 전처리기를 사용할 경우 파이프라인의 성능이 크게 향상되었으며, 이는 FC-ResNets가 입력 분포에 매우 민감하고 이러한 정규화로부터 큰 이점을 얻는다는 것을 시사한다.
• 결과는 FC-ResNets가 반복적 추정을 수행하는 것으로 해석될 수 있음을 지지하며, 전처리기가 점진적인 개선을 위한 정밀화된 초도 입력을 제공한다.