[논문 리뷰] Medical Image Segmentation Using a U-Net type of Architecture

Eshal Zahra, B Mohammed Ali외 1명|arXiv (Cornell University)|2020. 05. 11.

Advanced Neural Network Applications참고 문헌 19인용 수 4

한 줄 요약

이 논문은 픽셀 단위의 교차 엔트로피 손실로 훈련된 완전히 감독된 두 층의 완전 연결(FC) 하위 네트워크를 도입하여, 병변층에서의 특징 표현을 향상시키기 위해 수정된 U-Net 아키텍처를 제안한다. 인코더의 병렬층에서 명시적 감독을 도입함으로써 모델은 의미론적 특징 학습을 향상시키며, MRI 및 CT 스캔 데이터에서 높은 분할 정확도를 달성한다—특히 CT 스캔에서 97.6%의 정확도와 MRI 스캔에서 91.3%의 정확도를 기록한다. 이는 감독된 병렬층 훈련이 표준 U-Net 성능을 따라하거나 뛰어넘을 수 있음을 보여준다.

ABSTRACT

Deep convolutional neural networks have been proven to be very effective in image related analysis and tasks, such as image segmentation, image classification, image generation, etc. Recently many sophisticated CNN based architectures have been proposed for the purpose of image segmentation. Some of these newly designed networks are used for the specific purpose of medical image segmentation, models like V-Net, U-Net and their variants. It has been shown that U-Net produces very promising results in the domain of medical image segmentation.However, in this paper, we argue that the architecture of U-Net, when combined with a supervised training strategy at the bottleneck layer, can produce comparable results with the original U-Net architecture. More specifically, we introduce a fully supervised FC layers based pixel-wise loss at the bottleneck of the encoder branch of U-Net. The two layer based FC sub-net will train the bottleneck representation to contain more semantic information, which will be used by the decoder layers to predict the final segmentation map. The FC layer based sub-net is trained by employing the pixel-wise cross entropy loss, while the U-Net architectures trained by using L1 loss.

연구 동기 및 목표

• 의료 영상 분할을 향상시키기 위해 U-Net의 병렬층에서의 특징 표현을 개선하기 위해.
• 병렬층에서의 감독 훈련이 표준 자기감독 U-Net 훈련을 능가하거나 동등하게 성능을 낼 수 있는지 조사하기 위해.
• 광범위한 데이터 증강에 의존하는 것을 줄이기 위해 명시적 감독을 통해 특징 학습을 향상시키기 위해.
• 특히 MRI 및 CT 스캔을 포함한 다양한 의료 영상 모odalities에서 방법을 평가하기 위해.
• 병렬층에 완전 연결 하위 네트워크를 도입함으로써 디코더 성능을 효과적으로 이끌 수 있음을 입증하기 위해.

제안 방법

• 3×3 컨볼루션 필터, ReLU 활성화 함수, 2×2 최대 풀링을 사용한 표준 인코더-디코더 U-Net 아키텍처를 사용한다.
• 병렬층에 두 층의 완전 연결(FC) 하위 네트워크를 삽입하여 선형 변환을 통해 정답 분할 맵을 예측한다.
• FC 하위 네트워크는 픽셀 단위의 교차 엔트로피 손실로 훈련되어 인코더가 학습한 특징에 명시적 감독을 제공한다.
• 주 U-Net 브랜치는 최종 분할 출력을 최적화하기 위해 L1 손실을 사용하여 훈련된다.
• 해당 인코더 및 디코더 레이어 간에 스킵 연결을 유지하여 공간적 세부 정보를 보존한다.
• 전체 네트워크는 병렬층에서의 감독 손실과 디코더의 표준 분할 손실을 결합하여 엔드 투 엔드로 훈련된다.

실험 결과

연구 질문

• RQ1 의료 영상 분할을 위한 U-Net 기반 아키텍처에서 병렬층에서의 명시적 감독이 특징 표현을 향상시킬 수 있는가?
• RQ2 병렬층을 완전 연결 하위 네트워크로 훈련하면 표준 자기감독 U-Net 훈련보다 더 나은 분할 성능을 낼 수 있는가?
• RQ3 MRI 및 CT 스캔 데이터에서 제안된 방법이 기준 U-Net과 민감도, 특이도 및 정확도 측면에서 어떻게 비교되는가?
• RQ4 감독된 병렬층의 추가로 저자료 의료 영상 환경에서 데이터 증강에 대한 의존도를 줄일 수 있는가?
• RQ5 FC 기반 병렬층이 공간 해상도를 떨어뜨리거나 모델 복잡도를 증가시키지 않으면서도 의미론적 특징 학습을 향상시킬 수 있는가?

주요 결과

• 제안된 모델은 CT 스캔 영상에서 97.6%의 정확도를 기록했으며, 특이도 96.1%, 민감도 97.2%를 달성했다.
• MRI 영상에서는 모델이 91.3%의 정확도를 기록했으며, 특이도 92.6%, 민감도 93.9%를 달성했다.
• 감독된 병렬층은 특징 학습을 크게 향상시켜 디코더가 더 정확한 분할 맵을 생성하도록 했다.
• 이 방법은 MRI 및 CT 스캔을 포함한 다양한 영상 모달리티에서 강력한 일반화 성능을 보였다.
• 병렬층에 완전 연결 하위 네트워크를 통합함으로써 표준 U-Net 훈련과 비교해도 동등하거나 더 뛰어난 성능 향상을 달성했다.