[논문 리뷰] Probability Map Guided Bi-directional Recurrent UNet for Pancreas Segmentation.

Jun Li, Xiaozhu Lin외 3명|arXiv (Cornell University)|2019. 03. 03.

Advanced Neural Network Applications인용 수 19

한 줄 요약

이 논문은 내시경 췬팅 영상에서 췌장 분할을 위한 확률적 맵 유도 이중방향 순환 U-Net인 PBR-UNet을 제안한다. 이는 내부 슬라이스 특징과 외부 슬라이스 확률적 맵을 융합하여 2.5D 하이브리드 정규화 기반 구조를 구현함으로써 계산 비용을 줄이고 효율적인 3D 맥락 모델링을 가능하게 한다. 이는 NIH Pancreas-CT 데이터셋에서 최신 기술 수준의 성능을 달성하며, 공간 맥락 활용을 향상시키기 위해 이중방향 순환 최적화를 활용한다.

ABSTRACT

Pancreas segmentation in medical imaging data is of great significance for clinical pancreas diagnostics and treatment. However, the large population variations in the pancreas shape and volume cause enormous segmentation difficulties, even for state-of-the-art algorithms utilizing fully-convolutional neural networks (FCNs). Specifically, pancreas segmentation suffers from the loss of spatial information in 2D methods, and the high computational cost of 3D methods. To alleviate these problems, we propose a probabilistic-map-guided bi-directional recurrent UNet (PBR-UNet) architecture, which fuses intra-slice information and inter-slice probabilistic maps into a local 3D hybrid regularization scheme, which is followed by bi-directional recurrent network optimization. The PBR-UNet method consists of an initial estimation module for efficiently extracting pixel-level probabilistic maps and a primary segmentation module for propagating hybrid information through a 2.5D U-Net architecture. Specifically, local 3D information is inferred by combining an input image with the probabilistic maps of the adjacent slices into multichannel hybrid data, and then hierarchically aggregating the hybrid information of the entire segmentation network. Besides, a bi-directional recurrent optimization mechanism is developed to update the hybrid information in both the forward and the backward directions. This allows the proposed network to make full and optimal use of the local context information. Quantitative and qualitative evaluation was performed on the NIH Pancreas-CT dataset, and our proposed PBR-UNet method achieved better segmentation results with less computational cost compared to other state-of-the-art methods.

연구 동기 및 목표

• 개인 간 췌장의 형태와 부피에 큰 변동성이 존재하는 문제를 해결하기 위해, 이는 의료 영상에서 정확한 분할을 어렵게 한다.
• 2D 분할 방법에서의 공간 맥락 정보 손실과 3D 방법의 높은 계산 비용 문제를 해결하기 위해.
• 확률적 맵과 순환 모델링을 활용하여 효율적으로 3D 맥락 정보를 포착할 수 있는 경량이면서도 효과적인 아키텍처를 개발하기 위해.
• U-Net 아키텍처 내에서 하이브리드 2.5D 표현을 통해 다중 슬라이스 정보 융합을 통해 분할 정확도를 향상시키기 위해.

제안 방법

• 초기 추정 모듈을 도입하여 각 슬라이스의 픽셀 수준에서 췌장 존재 가능성의 확률적 맵을 생성한다.
• 주요 분할 모듈은 입력 슬라이스와 인접한 확률적 맵을 융합하여 다중 채널 하이브리드 데이터를 생성하는 2.5D U-Net 아키텍처를 사용하여 향상된 3D 특징 학습을 가능하게 한다.
• 현재 슬라이스와 인접 슬라이스의 확률적 맵을 융합하여 국소적 3D 정보를 추론함으로써 공간 맥락의 계층적 집합을 가능하게 한다.
• 이중방향 순환 네트워크를 적용하여 하이브리드 특징을 정방향과 역방향 모두에서 최적화함으로써 특징 정제 및 맥락 전파를 향상시킨다.
• 하이브리드 정규화 기반 구조는 내부 슬라이스 특징과 외부 슬라이스 확률적 맵을 통합하여 공간 연속성을 유지하고 노이즈를 감소시킨다.
• 표준 분할 손실을 사용하여 엔드 투 엔드로 네트워크를 훈련시키며, 최적화는 맥락 인식 특징 정제에 집중한다.

실험 결과

연구 질문

• RQ1 2.5D 하이브리드 표현은 계산 비용을 줄이며 3D 공간 맥락을 효과적으로 모델링할 수 있는가?
• RQ2 표준 U-Net 변종에 비해 이중방향 순환 최적화를 통합함으로써 특징 표현과 분할 정확도가 향상되는가?
• RQ3 인접 슬라이스의 확률적 맵을 통합함으로써 전체 3D 컨볼루션을 요구하지 않고도 국소적 3D 특징 학습을 향상시킬 수 있는가?
• RQ4 제안된 PBR-UNet는 2D 및 3D 최신 기술 수준의 방법들과 비교해 분할 정확도와 추론 효율성 측면에서 어떻게 성과를 내는가?

주요 결과

• PBR-UNet는 NIH Pancreas-CT 데이터셋에서 최신 기술 수준의 방법들보다 뛰어난 분할 성능을 달성했다.
• 3D U-Net 및 2D FCN 기반 접근법에 비해 분할 정확도를 유지하거나 향상시키면서도 계산 비용을 감소시켰다.
• 인접 슬라이스의 확률적 맵 통합은 2.5D 프레임워크 내에서 국소적 3D 맥락 모델링을 크게 향상시켰다.
• 이중방향 순환 최적화 메커니즘이 특징 정제를 향상시켜 더 일관되고 정확한 경계 예측을 가능하게 하였다.
• 제안된 아키텍처는 최소한의 추론 오버헤드로 높은 Dice 스코어를 달성하여 효율성-정확도의 균형이 뛰어나다는 것을 보여주었다.