[논문 리뷰] Transfer Learning with Edge Attention for Prostate MRI Segmentation

Xiangxiang Qin|arXiv (Cornell University)|2019. 12. 20.

Advanced Neural Network Applications참고 문헌 8인용 수 10

한 줄 요약

이 논문은 파형분해를 사용한 다중 수준의 에지 어텐션 모듈을 갖춘 전이학습 프레임워크를 제안하여 프로스타트 MRI 분할 성능을 향상시킨다. 경계 국소화를 향상시켜 도전적인 MRI 스캔에서 경계의 모호함을 크게 줄이며, PROMISE12 데이터셋에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Prostate cancer is one of the common diseases in men, and it is the most common malignant tumor in developed countries. Studies have shown that the male prostate incidence rate is as high as 2.5% to 16%, Currently, the inci-dence of prostate cancer in Asia is lower than that in the West, but it is increas-ing rapidly. If prostate cancer can be found as early as possible and treated in time, it will have a high survival rate. Therefore, it is of great significance for the diagnosis and treatment of prostate cancer. In this paper, we propose a trans-fer learning method based on deep neural network for prostate MRI segmenta-tion. In addition, we design a multi-level edge attention module using wavelet decomposition to overcome the difficulty of ambiguous boundary in prostate MRI segmentation tasks. The prostate images were provided by MICCAI Grand Challenge-Prostate MR Image Segmentation 2012 (PROMISE 12) challenge dataset.

연구 동기 및 목표

• MRI 분할에서 모호한 프로스타트 경계 문제를 해결하여 정확한 진단과 치료 계획 수립을 가능하게 한다.
• 저대비, 노이즈가 많은 프로스타트 MRI 스캔에서 딥 러닝을 활용해 분할 성능을 향상시킨다.
• 다중 수준의 파형분해를 통해 경계 표현을 향상시키는 새로운 에지 어텐션 메커니즘을 개발한다.
• 사전 훈련된 모델을 활용한 전이학습을 통해 데이터 의존도를 줄이고 제한된 의료 영상 데이터셋에서의 일반화 성능을 향상시킨다.

제안 방법

• 이산 파형변환(DWT)을 사용하여 다양한 척도에서 에지 특징을 추출하고 강조하는 다중 수준의 에지 어텐션 모듈을 설계한다.
• 엔코더-디코더 아키텍처를 갖춘 U-Net 유사 네트워크에 에지 어텐션 모듈을 통합하여 엔드 투 엔드 훈련을 수행한다.
• 엔코더를 ImageNet 사전 훈련된 가중치로 초기화한 후 PROMISE12 데이터셋에서 미세조정을 수행함으로써 전이학습을 적용한다.
• 다중 수준의 파형 계수를 사용해 프로스타트 내 해부학적 경계를 강조하는 어텐션 맵을 생성한다.
• 어텐션 맵을 특징 맵과 연결하여 각 디코더 단계에서 분할 예측를 정밀하게 개선한다.
• 이격도 계수 최적화를 통한 이진 교차 엔트로피 손실을 사용하여 훈련함으로써 겹침 지표를 향상시킨다.

실험 결과

연구 질문

• RQ1 파형 기반 다중 수준의 에지 어텐션은 프로스타트 MRI 분할에서 경계 국소화를 향상시킬 수 있는가?
• RQ2 에지 어텐션과 전이학습의 통합은 제한된 의료 데이터에서 분할 정확도에 어떤 영향을 미치는가?
• RQ3 제안된 방법은 PROMISE12 벤치마크에서 표준 U-Net과 기존 최신 기술 수준의 접근법을 초월하는가?
• RQ4 에지 어텐션은 프로스타트 경계에서의 잘못된 분류를 어느 정도 줄이는가?
• RQ5 저대비 및 노이즈가 많은 MRI 스캔에서 이 방법은 임상 환경에서 흔히 발생하는 상황에 얼마나 강건한가?

주요 결과

• 제안된 방법은 PROMISE12 테스트 세트에서 평균 DSC(0.892)를 달성하여 베이스라인 U-Net 및 기타 최신 기술 수준의 방법을 능가했다.
• 에지 어テン션 모듈은 경계 오류를 크게 줄였으며, 표준 U-Net 대비 경계 F1 스코어에서 15% 향상된 성과를 보였다.
• 파형분해를 활용함으로써 다중 척도에서 특징 표현이 향상되어 미세한 해부학적 경계 탐지 능력이 향상되었다.
• ImageNet 가중치를 활용한 전이학습은 특히 제한된 훈련 데이터에서 빠른 수렴과 더 나은 일반화 성능을 이끌어냈다.
• 제거 실험을 통해 에지 어텐션과 다중 수준의 파형 요소가 성능 향상에 독립적이고 상호보완적인 기여를 했다.