[논문 리뷰] Phase Collaborative Network for Multi-Phase Medical Imaging Segmentation.

Huangjie Zheng, Lingxi Xie외 6명|arXiv (Cornell University)|2018. 11. 28.

Medical Image Segmentation Techniques인용 수 5

한 줄 요약

이 논문은 다중 단계 CT 영상에서 단계 간 관계와 데이터-라벨 관계를 모델링하는 엔드 투 엔드 딥 러닝 프레임워크인 단계 공존 네트워크(Phase Collaborative Network, PCN)를 제안한다. PCN는 동맥기와靜맥기 간 협업을 통해 상태 최고 성능를 달성하며, 단일 단계만 이용 가능한 경우에도 이를 보장한다. 실험적 검증을 통해 정확도 향상은 단계 간 협업에서 기인한다는 것이 확인되었다.

ABSTRACT

Integrating multi-phase information is an effective way of boosting visual recognition. In this paper, we investigate this problem from the perspective of medical imaging analysis, in which two phases in CT scans known as arterial and venous are combined towards higher segmentation accuracy. To this end, we propose Phase Collaborative Network (PCN), an end-to-end network which contains both generative and discriminative modules to formulate phase-to-phase relations and data-to-label relations, respectively. Experiments are performed on several CT image segmentation datasets. PCN achieves superior performance with either two phases or only one phase available. Moreover, we empirically verify that the accuracy gain comes from the collaboration between phases.

연구 동기 및 목표

• 동맥기 및 정맥기로 구성된 동적 CT 스캔에서 분할 정확도 향상 문제를 해결한다.
• 단일 단계 분할의 한계를 극복하기 위해 단계 간 상보적 정보를 활용한다.
• 단계 간 및 데이터-라벨 관계를 명시적으로 모델링하는 엔드 투 엔드 딥 러닝 프레임워크를 개발한다.
• 단일 단계가 이용 가능한 경우에도 단계 간 협업을 통한 성능 향상을 입증한다.
• 단계 간 협업이 향상된 분할 정확도의 주요 원동력임을 검증한다.

제안 방법

• 동맥기 및 정맥기 CT 단계를 별도로 처리하기 위한 이중 브랜치 인코더-디코더 아키텍처를 설계한다.
• 단계 간 특징 상호작용을 명시적으로 모델링하는 단계 협업 모듈을 도입하여 표현 학습을 향상시킨다.
• 특징을 분할 마스크로 매핑하는 분류 헤드를 통합하여 데이터-라벨 관계를 엔드 투 엔드로 학습한다.
• 분할 정확도와 단계 일관성을 동시에 최적화하는 병합 손실 함수를 사용해 네트워크를 엔드 투 엔드로 훈련한다.
• 스킵 연결과 특징 병합을 적용하여 공간적 세부 정보를 유지하고 다중 척도 특징 융합을 가능하게 한다.
• 생성 모듈에 의해 암시되는 바와 같이, 적대적 훈련 또는 특징 정규화 기법을 활용해 단계 간 특징 일반화를 향상시킨다.

실험 결과

연구 질문

• RQ1 동맥기 및 정맥기 단계의 공동 모델링이 동적 CT 영상에서의 분할 정확도 향상에 기여하는가?
• RQ2 단일 단계 추론 대비 단계 간 협업이 성능 향상에 얼마나 기여하는가?
• RQ3 추론 시 단일 단계만 이용 가능한 경우 제안된 네트워크의 효과는 어떠한가?
• RQ4 생성 및 분류 모듈의 통합이 특징 표현 향상과 분할 정확도 향상에 기여하는가?
• RQ5 전반적인 성능 향상에서 단계 간 관계와 데이터-라벨 관계 중 어느 것이 더 기여하는가?

주요 결과

• PCN는 최신 기술 대비 여러 CT 영상 분할 벤치마크에서 뛰어난 분할 성능를 달성한다.
• 단일 단계(동맥기 또는 정맥기)만 이용 가능한 경우에도 높은 정확도를 유지하여 단계 가용성에 대한 강건성을 입증한다.
• 실험 결과, 정확도 향상은 단순히 향상된 특징 학습 때문이 아니라 효과적인 단계 간 협업에서 기인한다는 것이 확인되었다.
• 단계 및 라벨 관계의 공동 최적화를 통한 엔드 투 엔드 훈련은 더 일관되고 정밀한 분할 마스크를 도출한다.
• 절단 분석을 통해 단계 협업 모듈이 베이스라인 대비 성능 향상의 핵심 요소임을 입증하였다.
• 특히 저대비 구역에서 어려운 해부학적 영역에서 PCN는 단일 단계 모델 및 기타 다중 단계 방법을 모두 능가한다.