[논문 리뷰] NeRD: Neural Representation of Distribution for Medical Image Segmentation

Hang Zhang, Rongguang Wang외 6명|arXiv (Cornell University)|2021. 03. 06.

Medical Image Segmentation Techniques참고 문헌 32인용 수 6

한 줄 요약

NeRD는 의료 영상 분할에서 풀링 및 패딩 연산으로 인한 성능 저하를 완화하기 위해 공간적으로 변하는 특징 분포를 신경망으로 표현하는 방법을 제안한다. 암시적 함수를 통해 좌표에서 분포 매개변수로의 매핑을 학습함으로써, 백색질 병변과 좌심방 분할에서 정확도를 향상시켜 구조적 변경을 최소화하면서도 더 큰 네트워크 수준의 성능에 근접한다.

ABSTRACT

We introduce Neural Representation of Distribution (NeRD) technique, a module for convolutional neural networks (CNNs) that can estimate the feature distribution by optimizing an underlying function mapping image coordinates to the feature distribution. Using NeRD, we propose an end-to-end deep learning model for medical image segmentation that can compensate the negative impact of feature distribution shifting issue caused by commonly used network operations such as padding and pooling. An implicit function is used to represent the parameter space of the feature distribution by querying the image coordinate. With NeRD, the impact of issues such as over-segmenting and missing have been reduced, and experimental results on the challenging white matter lesion segmentation and left atrial segmentation verify the effectiveness of the proposed method. The code is available via https://github.com/tinymilky/NeRD.

연구 동기 및 목표

• U-Net이 영상 경계나 뇌실 주변 병변을 분할하지 못하는 데 기인한 특징 분포 이탈 문제를 해결하기 위해.
• CNN에서 공간 불변성을 해치는 일반적인 연산(예: 패딩 및 풀링)의 부정적 영향을 완화하기 위해.
• 공간 좌표를 기반으로 특징 분포를 추정하는 통합적이고 엔드 투 엔드 딥 러닝 프레임워크를 개발하기 위해.
• 최소한의 아키텍처 수정으로 도전적인 의료 영상 분할 작업에서 성능을 향상시키기 위해.

제안 방법

• NeRD는 각 공간 위치에서 특징 분포를 암시적 함수를 통해 모델링하며, 이는 이미지 좌표를 분포 매개변수로 매핑한다.
• 분포 매개변수 θ는 공간 좌표 v의 가속 가능한 함수 f(v)로 표현되어 공간 불변성이 복원된다.
• 두 가지 변형이 제안된다: NeRDm은 특징 분포의 평균과 분산을 추정하고, NeRDc는 픽셀 단위 선형 분류기를 예측한다.
• 백본을 변경하지 않고 U-Net 유사 아키텍처에 통합되어 엔드 투 엔드 학습이 가능하다.
• 암시적 함수는 신경망 회귀를 통해 최적화되며, 네트워크 연산으로 인한 분포 이탈을 보정하는 데 학습된다.
• 이 방법은 공간적 맥락과 분포 이탈을 암묵적으로 포착하여 경계 및 중심 영역에서의 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 학습 가능한 특징 분포 표현이, 특히 영상 경계나 뇌실 주변에서 의료 영상 분할 정확도를 향상시킬 수 있는가?
• RQ2 NeRD는 CNN에서 패딩 및 풀링이 특징 분포에 미치는 부정적 영향을 어느 정도 완화할 수 있는가?
• RQ3 NeRD는 작은 네트워크가 더 큰 네트워크의 성능을 따라잡거나 초월할 수 있는가?
• RQ4 기존 방법과 비교해 NeRD는 과다 분할 및 병변 누락 문제를 어떻게 다루는가?

주요 결과

• 낮은 용량의 백본(256 필터)을 사용한 NeRDc는 백색질 병변 분할에서 512 필터를 사용한 고용량 U-Net과 동일한 딱시 스코어(0.885)를 기록했다.
• 낮은 용량 설정에서 NeRDc는 표준 U-Net 대비 거짓 양성률(LFPR)을 3% 감소시키고 딱시 스코어를 2.8% 향상시켰다.
• 좌심방 분할 작업에서 NeRDc는 256 필터 백본을 사용해 512 필터 백본을 사용한 U-Net을 초월했으며, 하우스도르프 거리(HD)를 3.7 mm 감소시키고 딱시 스코어를 0.4% 향상시켰다.
• NeRDm은 LA 분할 작업에서 U-Net 대비 4.5 mm의 HD 감소와 더 낮은 분산을 기록하여 강건성 향상을 입증했다.
• NeRD의 두 변형 모두 영상 중심부의 과다 분할과 뇌실 주변의 병변 누락을 감소시켰으며, 정성적 비교에서 이를 확인했다.
• WMH 및 LA 분할 작업에서 모두 최신 기술 수준의 성능을 달성했으며, 다양한 메트릭과 네트워크 용량에서 일관된 향상이 관찰되었다.