[논문 리뷰] SCOPE: Structural Continuity Preservation for Medical Image Segmentation

Yousef Yeganeh, Azade Farshad외 6명|arXiv (Cornell University)|2023. 04. 28.

Retinal Imaging and AnalysisMedicine인용 수 3

한 줄 요약

이 논문은 해부학적 구조를 그래프 제약 조건으로 모델링하여 의료 영상 분할에서 구조적 연속성을 강제하는 그래프 기반 딥러닝 방법인 SCOPE를 제안한다. 영상 패치를 노드로 간주하고, clDice 손실과 함께 그래프 컨볼루션 네트워크를 활용함으로써, 연결성 지표를 크게 향상시켜 최대 90%까지 구조 오류를 감소시키며, 망막 혈관 데이터셋에서 최신 기술 수준의 픽셀 기반 분할 성능을 유지한다.

ABSTRACT

Although the preservation of shape continuity and physiological anatomy is a natural assumption in the segmentation of medical images, it is often neglected by deep learning methods that mostly aim for the statistical modeling of input data as pixels rather than interconnected structures. In biological structures, however, organs are not separate entities; for example, in reality, a severed vessel is an indication of an underlying problem, but traditional segmentation models are not designed to strictly enforce the continuity of anatomy, potentially leading to inaccurate medical diagnoses. To address this issue, we propose a graph-based approach that enforces the continuity and connectivity of anatomical topology in medical images. Our method encodes the continuity of shapes as a graph constraint, ensuring that the network's predictions maintain this continuity. We evaluate our method on two public benchmarks on retinal vessel segmentation, showing significant improvements in connectivity metrics compared to traditional methods while getting better or on-par performance on segmentation metrics.

연구 동기 및 목표

• 딥러닝 모델이 의료 영상 분할 과정에서 해부학적 연속성을 유지하는 데 한계를 가진다는 문제를 해결하기 위해.
• 혈관과 같은 생물학적 구조의 위상적 구조를 그래프 제약 조건으로 모델링하여 연결성을 강제하기 위해.
• 픽셀 기반 정확도 외에도 특히 관형 구조에서 위상적 충실도를 향상시키기 위해.
• 기존의 CNN 아키텍처에 종속되지 않고 이를 원활하게 통합할 수 있는 방법을 개발하기 위해.

제안 방법

• 입력 영상가 비중첩 n×n 패치로 분할하고, 이를 공간 위상 구조를 인코딩하기 위한 그래프의 노드로 간주한다.
• 이웃 패치 간의 특징 전파를 위해 그래프 컨볼루션 네트워크(GCNs)를 사용하여 메시지 전달을 통해 구조적 연속성을 강제한다.
• 백본 네트워크(DRIU)를 통해 패치 임베딩에서 노드 특징를 생성하고, 스킵 연결을 통해 그래프 특징와 공간 특징를 융합한다.
• 픽셀 기반 정확도와 연결성을 동시에 최적화하기 위해 교차 엔트로피와 clDice의 하이브리드 손실 함수를 사용한다.
• 근접한 패치 간 1단계 간선 연결을 통해 그래프 구조를 구축하여 국소 이웃성 일致성을 확보한다.
• 기존의 U-Net 또는 DRIU와 같은 어텐션 기반 네트워크와의 통합이 가능하며, 아키텍처에 종속되지 않는다.

실험 결과

연구 질문

• RQ1 아키텍처 사전 지식에 의존하지 않고 그래프 기반 접근 방식이 의료 영상 분할에서 해부학적 연속성을 효과적으로 유지할 수 있는가?
• RQ2 그래프 컨볼루션을 통한 위상 제약 강제가 기존 딥러닝 모델에 비해 연결성 지표를 어떻게 향상시키는가?
• RQ3 패치 크기와 손실 함수의 선택이 망막 영상에서 혈관 연속성 유지에 어느 정도 영향을 미치는가?
• RQ4 제안된 방법이 공개된 망막 혈관 데이터셋에서 분할 정확도와 위상적 충실도 양면에서 최신 기술 수준의 모델을 초월할 수 있는가?

주요 결과

• FIVES 데이터셋에서 SCOPE는 DRIU 대비 $error_{\beta_0}$ 지표를 90% 감소시켜 73.8에서 12.1로 개선했으며, 이는 위상적 유지 능력 향상을 시사한다.
• AMD 클래스에서 SCOPE는 clDice 점수 0.94를 기록하여 DRIU(0.87)와 RU-UNet(0.87)를 모두 초월해 연결성 모델링 능력 향상을 입증했다.
• 제거 분석 결과, clDice 손실만 사용할 경우 $error_{\beta_0}$가 12.1로 감소한 반면, CE 손실만 사용할 경우 52.6으로 높아져, clDice 손실이 연결성 향상에 핵심적인 역할을 함을 시사한다.
• 패치 크기 분석 결과, 2×2 패치는 성능 저하를 초래했으며(예: $error_{\beta_0}$ = 12.83), 중심선 유지에 최적의 패치 크기는 1×1임을 시사한다.
• 모든 클래스에서 경쟁적인 픽셀 기반 지표(Dice: 0.85–0.91)를 유지하여 분할 정확도와의 트레이드오프 없이 성능을 확보했다.
• 정성적 결과는 기준 모델이 얇거나 굽은 혈관에서 불필요한 단절을 유발하는 반면, SCOPE는 혈관의 연속성을 효과적으로 유지함을 확인했다.