[논문 리뷰] Medical Image Segmentation via Unsupervised Convolutional Neural Network

Junyu Chen, Eric C. Frey|arXiv (Cornell University)|2020. 01. 28.

Medical Image Segmentation Techniques참고 문헌 9인용 수 14

한 줄 요약

이 논문은 자기지도 학습 손실로 Active Contour Without Edges (ACWE) 에너지 기능을 활용하는 비지도 및 준지도 학습 컷팅 신경망(CNN)을 제안한다. 강력한 강화 학습 없이 강도 통계만을 기반으로 학습하고, 최소한의 진짜 레이블로 미세조정함으로써 SPECT 영상에서 뼈 분할 정확도를 높이고, 빠른 추론과 레이블 데이터가 제한된 상황에서도 성능 향상을 달성한다.

ABSTRACT

For the majority of the learning-based segmentation methods, a large quantity of high-quality training data is required. In this paper, we present a novel learning-based segmentation model that could be trained semi- or un- supervised. Specifically, in the unsupervised setting, we parameterize the Active contour without edges (ACWE) framework via a convolutional neural network (ConvNet), and optimize the parameters of the ConvNet using a self-supervised method. In another setting (semi-supervised), the auxiliary segmentation ground truth is used during training. We show that the method provides fast and high-quality bone segmentation in the context of single-photon emission computed tomography (SPECT) image.

연구 동기 및 목표

• 딥 러닝 기반 의료 영상 분할에서 높은 레이블링 비용 문제를 해결하기 위해.
• 강도 통계를 활용하여 최소 또는 전혀 진짜 레이블이 필요 없는 분할 모델을 개발하기 위해.
• 伝통적인 활성 윤곽 모델의 강건성과 딥 러닝의 표현 능력을 융합하기 위해.
• 단일광자 방출 컴퓨터 단층촬영(SPECT) 영상에서 빠르고 정확한 뼈 분할을 가능하게 하기 위해.

제안 방법

• 이 방법은 반복 구조를 기반으로 한 소형 경량 CNN을 사용하며, 세 개의 반복 컨볼루션층과 두 개의 표준 컨볼루션층을 포함하고, 각 층 뒤에 배치 정규화와 PReLU 활성화 함수를 적용한다.
• 모델은 출력값 > 0인 픽셀을 전경으로 분류하여 이진 마스크를 출력하며, 더 나은 이진 분할 성능을 위해 Softmax를 사용하지 않는다.
• 비지도 설정에서는 손실이 ACWE 에너지 함수이며, 이미지 강도 통계에만 의존한다: $\mathcal{L}_{ACWE} = \nu \cdot \text{Area}(f_\theta(\mathbf{g})>0) + \sum_{f_\theta(\mathbf{g})>0} |\mathbf{g}-c_1|^2 + \sum_{f_\theta(\mathbf{g})\leq 0} |\mathbf{g}-c_2|^2$, $\nu=0.004$, $\lambda_1=\lambda_2=1$, $\mu=0$.
• 준지도 학습 모드에서는 ACWE 손실에 더해, 진짜 레이블 마스크를 사용한 정규화 항을 포함하는 지도 학습 손실 $\mathcal{L}_{\text{label}}$ 가 추가된다.
• 총 손실은 $\mathcal{L} = \mathcal{L}_{ACWE} + \alpha \mathcal{L}_{\text{label}}$ 로 표현되며, $\alpha=0.4$ 이다. 이는 공동 최적화를 가능하게 한다.
• 모델은 XCAT 페phantom을 사용해 시뮬레이션된 3D 볼륨에서 유도된 8,000장의 2D SPECT 슬라이스를 기반으로 학습하고, 4,000장의 테스트 슬라이스에서 평가된다.

실험 결과

연구 질문

• RQ1 대규모 레이블링 데이터셋에 의존하지 않고도 딥 컨볼루션 신경망을 의료 영상 분할에 적용할 수 있는가?
• RQ2 ACWE 에너지 기능이 분할 네트워크 학습을 위한 자기지도 학습 손실로 얼마나 효과적인가?
• RQ3 작은 수의 진짜 레이블로 미세조정을 수행할 경우, 비지도 사전 학습된 모델의 분할 성능 향상 정도는 어느 정도인가?
• RQ4 기존 레벨셋 ACWE 방법과 비교해 본다면, 제안된 방법은 SPECT 영상에서 속도와 정확도 측면에서 어떻게 성능을 내는가?

주요 결과

• 비지도 모델(Mode₁)은 진짜 레이블 없이도 평균 DSC(Dice Similarity Coefficient) 0.593 ± 0.19를 달성하여, 전혀 레이블이 없이도 가능성을 입증했다.
• 단지 80개의 진짜 레이블로 미세조정한 결과(Mode₃) DSC가 0.732 ± 0.12로 향상되어 높은 데이터 효율성을 입증했다.
• 완전 지도 학습 모드(Mode₄)는 최고의 DSC 0.856 ± 0.09를 기록하여, 전체 지도 학습이 가능한 상황에서는 뛰어난 성능을 보였다.
• 제안된 방법은 레벨셋 ACWE보다 훨씬 빠른 속도를 보였으며, 슬라이스당 추론 시간은 0.006 ± 0.022초였고, 레벨셋 방법은 2.698 ± 0.085초였다.
• 강도 통계만을 기반으로 한 모델은 새로운 SPECT 영상으로도 잘 일반화되어, 보편적인 영상 표현을 효과적으로 학습했다는 것을 시사한다.
• 최종 레이어에서 PReLU와 Softmax 미사용 전략이 표준 분류 헤드에 비해 이진 분할 성능을 향상시켰다.