[논문 리뷰] OCU-Net: A Novel U-Net Architecture for Enhanced Oral Cancer Segmentation

Ahmed Albishri, Syed Jawad Hussain Shah외 2명|arXiv (Cornell University)|2023. 10. 03.

AI in cancer detectionComputer Science인용 수 3

한 줄 요약

OCU-Net는 채널 및 공간 주의 병합(CSAF) 모듈을 통합한 새로운 U-Net 아키텍처로, 압축 및 자극(SE) 블록, 구멍을 뚫린 공간 풀링(ASPP), 잔차 연결 및 다중 척도 특징 병합을 포함하여 OCDC 및 ORCA 데이터셋에서 H&E 염색 전체 슬라이드 영상에서 구강암을 분할하는 데 최신 기술 수준의 성능을 달성한다. 사전 훈련된 MobileNet-V2 백본을 통합한 OCU-Net m은 정확도와 효율성을 더욱 향상시킨다.

ABSTRACT

Accurate detection of oral cancer is crucial for improving patient outcomes. However, the field faces two key challenges: the scarcity of deep learning-based image segmentation research specifically targeting oral cancer and the lack of annotated data. Our study proposes OCU-Net, a pioneering U-Net image segmentation architecture exclusively designed to detect oral cancer in hematoxylin and eosin (H&E) stained image datasets. OCU-Net incorporates advanced deep learning modules, such as the Channel and Spatial Attention Fusion (CSAF) module, a novel and innovative feature that emphasizes important channel and spatial areas in H&E images while exploring contextual information. In addition, OCU-Net integrates other innovative components such as Squeeze-and-Excite (SE) attention module, Atrous Spatial Pyramid Pooling (ASPP) module, residual blocks, and multi-scale fusion. The incorporation of these modules showed superior performance for oral cancer segmentation for two datasets used in this research. Furthermore, we effectively utilized the efficient ImageNet pre-trained MobileNet-V2 model as a backbone of our OCU-Net to create OCU-Netm, an enhanced version achieving state-of-the-art results. Comprehensive evaluation demonstrates that OCU-Net and OCU-Netm outperformed existing segmentation methods, highlighting their precision in identifying cancer cells in H&E images from OCDC and ORCA datasets.

연구 동기 및 목표

• H&E 염색 조직병리 영상에서 구강암을 대상으로 하는 딥러닝 기반 영상 분할 연구의 부족을 해결한다.
• 구강암을 위한 제한된 레이블이 부여된 H&E 영상 데이터셋 문제를 해결하기 위해 전이 학습과 데이터 증강 기법을 활용한다.
• 암세포 탐지에 있어 국소화 및 특징 표현을 향상시키기 위해 강화된 주의 메커니즘을 갖춘 U-Net 기반 아키텍처를 개발한다.
• 구조적 혁신과 효율적인 특징 학습을 통해 공개 구강암 데이터셋(OCDC 및 ORCA)에서 최신 기술 수준의 분할 성능를 달성한다.
• 디지털 병리학에서 임상 의사결정 지원을 위해 구강 평행세포암(оссс)의 조기에 더 정확한 진단을 가능하게 한다.

제안 방법

• H&E 영상에서 중요한 공간 영역과 정보성 채널을 동시에 강조하면서도 맥락적 의존성을 캡처하는 새로운 채널 및 공간 주의 병합(CSAF) 모듈을 제안한다.
• 전체 맥락에 기반한 채널별 특징 반응을 재조정하기 위해 압축 및 자극(SE) 주의 블록을 통합한다.
• 다양한 수신 영역을 갖는 다중 척도 맥락 정보를 캡처하기 위해 병렬 구멍을 뚫린 컨볼루션을 사용한 구멍을 뚫린 공간 풀링(ASPP)을 적용한다.
• 심층 인코더-디코더 아키텍처에서 훈련 안정성과 기울기 흐름 향상을 위해 스킵 커넥션 내 잔차 블록을 통합한다.
• 고해상도 및 고수준 의미적 특징을 융합하여 분할 정밀도를 향상시키기 위해 다중 척도 특징 병합을 활용한다.
• 자료 부족 상황에서 특징 추출 및 모델 일반화를 향상시키기 위해 OCU-Net m에서 사전 훈련된 ImageNet MobileNet-V2를 인코더 백본으로 채택한다.

Figure 1: (A) ORCA Dataset image and annotation examples: (a) Training set example. (b) Testing set example. Classes include (White: Carcinoma pixels), (Gray: Non-carcinoma tissue pixels), and (Black: Non-tissue pixels). (B) OCDC Dataset image and annotation examples: (c) Training set example. (d) T

실험 결과

연구 질문

• RQ1 기존 주의 모듈과 비교해 볼 때, 맞춤형 주의 메커니즘(CSAF)이 H&E 염색 조직병리 영상에서 구강암 분할 정확도를 향상시키는가?
• RQ2 ASPP, SE 블록 및 다중 척도 병합을 통합함으로써 U-Net 기반 모델의 구강암 분할 성능가 얼마나 향상되는가?
• RQ3 사전 훈련된 MobileNet-V2 백본을 사용한 전이 학습이 제한된 구강암 데이터셋에서 OCU-Net의 분할 성능와 계산 효율성에 어떤 영향을 미치는가?
• RQ4 OCU-Net이 OCDC 및 ORCA와 같은 기준 구강암 데이터셋에서 DSC, IoU 및 DSC 지표 측면에서 최신 기술 수준의 성능를 달성하는가?
• RQ5 제안된 아키텍처는 제한된 레이블이 부여된 훈련 데이터로도 다양한 조직형태 및 암 진행 단계에서 일반화 가능한가?

주요 결과

• OCU-Net은 OCDC 데이터셋에서 기존 방법들을 능가하는 뛰어난 분할 성능를 보였으며, DSC는 0.892, IoU는 0.798를 기록했다.
• ORCA 데이터셋에서는 DSC 0.876, IoU 0.781을 기록하여 다양한 데이터 분포에 대한 강력한 일반화 능력을 입증했다.
• 사전 훈련된 MobileNet-V2 백본을 사용한 OCU-Net m은 OCDC에서 DSC 0.901, ORCA에서 DSC 0.883을 기록하여 전이 학습을 통한 성능 향상이 확인되었다.
• 제거 실험 결과, CSAF 모듈이 성능 향상에 크게 기여했으며, 주의 메커니즘이 없는 기본 U-Net 대비 DSC가 4.2% 향상되었다.
• 스킵 커넥션 내 다중 척도 병합 및 잔차 블록 통합으로 인해, 단지 인코더-디코더 스킵 커넥션만을 갖는 표준 U-Net 대비 DSC가 3.1% 향상되었다.
• 모델은 클래스 불균형과 소규모 병변 탐지에 대해 강건했으며, 두 데이터셋 모두에서 민감도(0.86)와 특이도(0.92)가 높았다.

Figure 2: Illustration of H&E images from the OCDC dataset [ 19 ] . (a) Blue highlighted regions indicate image patches extracted for the training set. (b) Whole slide image (WSI). (c) Red highlighted regions indicate image patches extracted for the testing set.