[논문 리뷰] SK-Unet: an Improved U-net Model with Selective Kernel for the Segmentation of Multi-sequence Cardiac MR

Xiyue Wang, Sen Yang외 5명|arXiv (Cornell University)|2020. 01. 03.

Advanced MRI Techniques and Applications참고 문헌 17인용 수 6

한 줄 요약

이 논문은 다중 시퀀스 심장 MRI 분할을 위한 선택적 커널(SK) 모듈과 압축-흥기 잔차(SE-Res) 유닛을 통합한 개선된 U-Net 아키텍처인 SK-Unet을 제안한다. 시스템은 시스템, T2-강조, LGE CMRIs를 융합하여 채널 및 공간 차원에서의 특징 표현을 향상시키며, MS-CMRSeg 2019 데이터셋에서 LV, LVM, RV에 대해 평균 Dice 점수 0.922, 0.827, 0.874를 달성한다.

ABSTRACT

In the clinical environment, myocardial infarction (MI) as one com-mon cardiovascular disease is mainly evaluated based on the late gadolinium enhancement (LGE) cardiac magnetic resonance images (CMRIs). The auto-matic segmentations of left ventricle (LV), right ventricle (RV), and left ven-tricular myocardium (LVM) in the LGE CMRIs are desired for the aided diag-nosis in clinic. To accomplish this segmentation task, this paper proposes a modified U-net architecture by combining multi-sequence CMRIs, including the cine, LGE, and T2-weighted CMRIs. The cine and T2-weighted CMRIs are used to assist the segmentation in the LGE CMRIs. In this segmentation net-work, the squeeze-and-excitation residual (SE-Res) and selective kernel (SK) modules are inserted in the down-sampling and up-sampling stages, respective-ly. The SK module makes the obtained feature maps more informative in both spatial and channel-wise space, and attains more precise segmentation result. The utilized dataset is from the MICCAI challenge (MS-CMRSeg 2019), which is acquired from 45 patients including three CMR sequences. The cine and T2-weighted CMRIs acquired from 35 patients and the LGE CMRIs acquired from 5 patients are labeled. Our method achieves the mean dice score of 0.922 (LV), 0.827 (LVM), and 0.874 (RV) in the LGE CMRIs.

연구 동기 및 목표

• 지속적 가드롤린 촉진(LGE) 심장 MRI에서 좌심실(LV), 우심실(RV), 좌심실 심막(LVM)의 자동 분할을 향상시키기 위해.
• 특히 시스템, T2-강조, LGE 시퀀스를 포함한 다중 시퀀스 CMRIs로부터 상보적인 정보를 활용하여 분할 정확도를 향상시키기 위해.
• LGE CMRIs에서의 제한된 레이블링 문제를 해결하기 위해 추가 시퀀스를 보조 supervision으로 활용하기 위해.
• U-Net 아키텍처 내 주의 메커니즘을 통해 공간 및 채널 차원에서의 특징 표현을 향상시키기 위해.
• 심장 MRI 분할 분야에서 최신 기준 성능을 달성하기 위해 MS-CMRSeg 2019 벤치마크에서 높은 성능을 내기 위해.

제안 방법

• 제안된 SK-Unet은 다운샘플링 경로에 압축-흥기 잔차(SE-Res) 모듈을 통합하여 채널 기반 특징 반응을 재조정한다.
• 선택적 커널(SK) 모듈은 업샘플링 경로에 적용되어 다중 수용장치 특징을 적응적으로 융합하여 공간 표현을 향상시킨다.
• 다중 시퀀스 CMRIs(시스템, T2-강조, LGE)가 네트워크의 입력으로 연결되어 상보적인解부학적 및 기능적 정보를 활용한다.
• 에코더에서 디코더로의 스킵 연결을 사용하여 다운샘플링 과정에서 손실된 공간 세부 정보를 유지한다.
• 분할 성능 최적화를 위해 교차 엔트로피 손실과 Dice 손실의 조합을 사용하여 엔드 투 엔드로 모델을 훈련시킨다.
• SK 모듈은 공간 및 채널 차원에서 중요도에 따라 특징 맵을 동적으로 재가중한다.

실험 결과

연구 질문

• RQ1 시스템, T2-강조, LGE 시퀀스를 포함한 다중 시퀀스 CMRIs의 통합이 LGE 이미지에서 LV, RV, LVM의 분할 정확도를 향상시키는가?
• RQ2 선택적 커널 모듈이 공간 및 채널 차원에서의 특징 표현을 향상시켜 더 나은 분할 성능을 내는가?
• RQ3 SE-Res 모듈이 인코더 경로에서 특징 정제를 향상시켜 더 견고한 특징 학습을 유도하는가?
• RQ4 SK-Unet은 MS-CMRSeg 2019 데이터셋에서 표준 U-Net 및 기타 주의 기반 아키텍처와 비교해 어떻게 성능을 내는가?
• RQ5 보조 시퀀스(시스템 및 T2-강조)는 LGE CMRIs에서 제한된 레이블링을 얼마나 효과적으로 보완하는가?

주요 결과

• 제안된 SK-Unet은 LGE CMRIs에서 좌심실(LV) 분할에 대해 평균 Dice 점수 0.922를 달성했다.
• 좌심실 심막(LVM) 분할에 대해 평균 Dice 점수 0.827를 기록하여 도전적인 심막 조직에 대해 강력한 성능을 보였다.
• 우심실(RV) 분할에 대해 평균 Dice 점수 0.874를 확보하여 더 작은 크기이자 불규칙한 형태를 가진 해부학적 구조에 대해서도 뛰어난 견고성을 입증했다.
• LGE 단독 사용 대비 다중 시퀀스 CMRIs의 통합으로 인해 해부학적 맥락이 향상되어 분할 성능이 크게 향상되었다.
• 선택적 커널 모듈은 관련된 공간 및 채널 특징에 적응적으로 집중함으로써 더 정보가 풍부한 특징 맵을 제공했다.
• SE-Res 및 SK 모듈의 조합은 향상된 특징 표현을 이끌어내어 기준 U-Net보다 높은 분할 정확도를 달성했다.