[논문 리뷰] Rethinking the Unpretentious U-net for Medical Ultrasound Image Segmentation

Gongping Chen, Lei Li외 2명|arXiv (Cornell University)|2022. 09. 15.

AI in cancer detection인용 수 9

한 줄 요약

이 논문은 다양한 깊이에서 공유된 가중치를 가진 여러 U-Net 브랜치를 중첩하여 쌓는 간단하면서도 강력한 네스팅 U-Net(NU-net)을 제안한다. 이는 초음파 영상에서 유방 종양을 정확하게 분할하는 데에 사용되며, 계산 비용을 증가시키지 않으면서도 다양한 종양 크기와 형태에 대한 강건성을 향상시킨다. 세 개의 공개 데이터셋에서 12개의 최신 기법들을 능가하며 높은 성능을 보였고, 신장 초음파 영상에서도 강력한 일반화 능력을 입증하였다.

ABSTRACT

Breast tumor segmentation is one of the key steps that helps us characterize and localize tumor regions. However, variable tumor morphology, blurred boundary, and similar intensity distributions bring challenges for accurate segmentation of breast tumors. Recently, many U-net variants have been proposed and widely used for breast tumors segmentation. However, these architectures suffer from two limitations: (1) Ignoring the characterize ability of the benchmark networks, and (2) Introducing extra complex operations increases the difficulty of understanding and reproducing the network. To alleviate these challenges, this paper proposes a simple yet powerful nested U-net (NU-net) for accurate segmentation of breast tumors. The key idea is to utilize U-Nets with different depths and shared weights to achieve robust characterization of breast tumors. NU-net mainly has the following advantages: (1) Improving network adaptability and robustness to breast tumors with different scales, (2) This method is easy to reproduce and execute, and (3) The extra operations increase network parameters without significantly increasing computational cost. Extensive experimental results with twelve state-of-the-art segmentation methods on three public breast ultrasound datasets demonstrate that NU-net has more competitive segmentation performance on breast tumors. Furthermore, the robustness of NU-net is further illustrated on the segmentation of renal ultrasound images. The source code is publicly available on https://github.com/CGPzy/NU-net.

연구 동기 및 목표

• 변동하는 형태, 흐린 경계선, 유사한 강도 분포로 인해 초음파 영상에서 유방 종양 분할을 정확히 수행하는 데 도전하는 문제를 해결하기 위해.
• 기존의 U-Net 변형 기법들이 보여주는 일반화 능력 부족 및 복잡성 증가로 인해 재현성이 떨어지는 문제를 극복하기 위해.
• 다양한 종양 크기와 영상 조건에서 강건성을 향상시키는 단순하고 파라미터 효율적인 아키텍처를 개발하기 위해.
• 계산 비용이나 아키텍처의 복잡성 증가 없이도 네트워크의 적응력을 향상시키기 위해.

제안 방법

• NU-net 아키텍처는 서로 다른 깊이에서 작동하는 여러 U-Net 브랜치를 공유된 합성곱 가중치를 통해 중첩하여 구성한다. 이는 다중 척도 특징을 추출하는 데에 기여한다.
• 각 U-Net 브랜치는 공유된 가중치를 통해 엔드 투 엔드로 훈련되며, 스케일 간 특징 융합을 가능하게 하면서도 모델의 단순성을 유지한다.
• 네스팅 설계 덕분에 네트워크는 굵은 해상도에서부터 세밀한 해상도까지 계층적인 표현을 학습할 수 있어 경계선 정렬과 강건성을 향상시킨다.
• 주의 메커니즘 모듈이나 학습 가능한 가중치를 가진 스킵 커넥션과 같은 복잡한 연산을 피함으로써 재현성과 효율성을 향상시킨다.
• 다른 깊이에서 유도된 특징 맵은 연결되고, 전치된 합성곱을 사용하여 업샘플링되어 분할 예측를 정밀화한다.
• 이 네트워크는 이진 교차 엔트로피 손실와 DICE 계수 최적화를 사용하여 훈련되어 분할 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 간단하고 공유된 가중치를 가진 네스팅 U-Net 아키텍처가 복잡한 최신 기법들을 능가할 수 있는가?
• RQ2 공유된 가중치를 가진 U-Net 브랜치를 중첩함으로써 종양의 다양한 형태와 크기에 대한 강건성이 향상되는가?
• RQ3 가벼운 아키텍처가 상당한 계산 오버헤드 없이도 높은 성능을 유지할 수 있는가?
• RQ4 NU-net는 유방 종양 분할을 넘어서 다른 의료 초음파 작업으로 일반화될 수 있는가?

주요 결과

• NU-net는 세 개의 공개 유방 초음파 데이터셋에서 최신 기법 12종을 능가하는 최고의 성능을 기록하며 분할 정확도에서 뛰어난 성능을 보였다.
• 다중 척도 특징 학습 덕분에 흐린 경계선과 다양한 강도를 가진 종양에 대해 뛰어난 강건성을 보였다.
• 파라미터 수가 증가했음에도 불구하고 효율적인 가중치 공유와 최소한의 추가 연산 덕분에 계산 비용은 낮게 유지되었다.
• 신장 초음파 영상 분할 작업으로도 잘 일반화되어 다양한 기관 종류에 걸쳐 강건성을 입증하였다.
• 소스 코드가 공개되어 있어 임상 및 연구 파이프라인에 쉽게 재현하고 통합할 수 있다.