[논문 리뷰] Recurrent Residual Convolutional Neural Network based on U-Net (R2U-Net) for Medical Image Segmentation

Md Zahangir Alom, Md. Mahmudul Hasan외 3명|arXiv (Cornell University)|2018. 02. 19.

Brain Tumor Detection and Classification인용 수 681

한 줄 요약

이 논문은 의료 영상 분할을 위한 U-Net 기반의 순환 잔여 합성 신경망인 R2U-Net을 소개하며, 잔여 단위와 순환 합성을 결합해 특징 표현을 향상시킨다.

ABSTRACT

Deep learning (DL) based semantic segmentation methods have been providing state-of-the-art performance in the last few years. More specifically, these techniques have been successfully applied to medical image classification, segmentation, and detection tasks. One deep learning technique, U-Net, has become one of the most popular for these applications. In this paper, we propose a Recurrent Convolutional Neural Network (RCNN) based on U-Net as well as a Recurrent Residual Convolutional Neural Network (RRCNN) based on U-Net models, which are named RU-Net and R2U-Net respectively. The proposed models utilize the power of U-Net, Residual Network, as well as RCNN. There are several advantages of these proposed architectures for segmentation tasks. First, a residual unit helps when training deep architecture. Second, feature accumulation with recurrent residual convolutional layers ensures better feature representation for segmentation tasks. Third, it allows us to design better U-Net architecture with same number of network parameters with better performance for medical image segmentation. The proposed models are tested on three benchmark datasets such as blood vessel segmentation in retina images, skin cancer segmentation, and lung lesion segmentation. The experimental results show superior performance on segmentation tasks compared to equivalent models including U-Net and residual U-Net (ResU-Net).

연구 동기 및 목표

• 표준 U-Net을 넘는 의료 영상 분할 성능 향상의 동기를 제시한다.
• U-Net과 잔여 학습 및 순환 컨볼루션을 혼합한 아키텍처를 제안한다.
• 다양한 의료 영상 작업에서 RU-Net 및 R2U-Net을 평가해 향상된 분할 품질을 입증한다.

제안 방법

• RU-Net (Recurrent U-Net)을 도입하여 순환 합성 계층을 U-Net 프레임워크에 통합한다.
• R2U-Net (Recurrent Residual U-Net)을 U-Net 내 순환 단위와 잔여 연결을 포함시켜 개발한다.
• 순환 잔여 계층으로부터의 특징 누적을 활용하여 매개변수 수를 늘리지 않고 표현을 향상시킨다.
• 기준선 U-Net 및 ResU-Net과의 비교를 통해 표준 의료 분할 벤치마크에서 성능을 평가한다.

실험 결과

연구 질문

• RQ1 U-Net 백본 내 순환 잔여 합성 계층이 표준 U-Net 및 ResU-Net과 비교해 의료 영상 분할 성능을 향상시키는가?
• RQ2 RU-Net/R2U-Net이 망막 혈관, 피부 병변, 폐 병변 분할에서 더 나은 특징 표현과 학습 역학을 제공하는가?

주요 결과

• RU-Net 및 R2U-Net은 잔여 및 순환 합성을 활용해 분할 품질을 향상시킨다.
• 제안된 모델은 벤치마크 의료 데이터셋에서 대응하는 U-Net 및 ResU-Net 벤치마크보다 우수한 성능을 보인다.
• 순환 잔여 계층을 통한 특징 누적은 분할 작업에 대해 더 풍부한 표현을 생성한다.