[논문 리뷰] U-Net Based Architecture for an Improved Multiresolution Segmentation in Medical Images

Simindokht Jahangard, Mohammad Hossein Zangooei외 1명|arXiv (Cornell University)|2020. 07. 16.

AI in cancer detection참고 문헌 20인용 수 7

한 줄 요약

이 논문은 원본 이미지와 그의 다운샘플된 버전을 별도의 컨볼루션 스트림에 입력으로 사용하는 수정된 U-Net 아키텍처인 mrU-Net을 제안한다. 이 모델은 피부 병변, LUNA, DRIVE, PROMISE12 데이터셋에서 각각 70.6%, 97.9%, 73.6%, 77.9%의 개선된 Dice 스코어를 기록하며, 네 가지 데이터셋 중 세 곳에서 표준 U-Net보다 더 빠른 훈련 속도와 높은 정확도를 달성한다.

ABSTRACT

Purpose: Manual medical image segmentation is an exhausting and time-consuming task along with high inter-observer variability. In this study, our objective is to improve the multi-resolution image segmentation performance of U-Net architecture. Approach: We have proposed a fully convolutional neural network for image segmentation in a multi-resolution framework. We used U-Net as the base architecture and modified that to improve its image segmentation performance. In the proposed architecture (mrU-Net), the input image and its down-sampled versions were used as the network inputs. We added more convolution layers to extract features directly from the down-sampled images. We trained and tested the network on four different medical datasets, including skin lesion photos, lung computed tomography (CT) images (LUNA dataset), retina images (DRIVE dataset), and prostate magnetic resonance (MR) images (PROMISE12 dataset). We compared the performance of mrU-Net to U-Net under similar training and testing conditions. Results: Comparing the results to manual segmentation labels, mrU-Net achieved average Dice similarity coefficients of 70.6%, 97.9%, 73.6%, and 77.9% for the skin lesion, LUNA, DRIVE, and PROMISE12 segmentation, respectively. For the skin lesion, LUNA, and DRIVE datasets, mrU-Net outperformed U-Net with significantly higher accuracy and for the PROMISE12 dataset, both networks achieved similar accuracy. Furthermore, using mrU-Net led to a faster training rate on LUNA and DRIVE datasets when compared to U-Net. Conclusions: The striking feature of the proposed architecture is its higher capability in extracting image-derived features compared to U-Net. mrU-Net illustrated a faster training rate and slightly more accurate image segmentation compared to U-Net.

연구 동기 및 목표

• 수동 의료 영상 분할의 높은 시간 소모와 관찰자 간 변동성을 해결하기 위해.
• 다중 해상도 영상 분할 작업에서 U-Net의 성능을 향상시키기 위해.
• 다운샘플된 이미지 해상도를 추가 입력으로 통합하여 특징 추출 능력을 향상시키기 위해.
• 다양한 의료 영상 모odalities에서 분할 정확도를 유지하거나 향상시키면서도 훈련 시간을 단축시키기 위해.
• 일관된 일반화 능력을 확보하기 위해 여러 공개 의료 영상 데이터셋에서 제안된 아키텍처를 평가하기 위해.

제안 방법

• 원본 이미지와 그의 다운샘플된 버전을 병렬로 처리하는 완전 컨볼루션 신경망인 mrU-Net을 제안한다.
• 다운샘플된 이미지에서 직접 특징을 추출하기 위해 추가 컨볼루션 레이어를 도입하여 다중 스케일 표현을 풍부하게 한다.
• 표준 U-Net과 마찬가지로 인코더에서 디코더로의 스킵 커넥션 구조를 유지하지만, 여러 해상도 입력 간의 특징 융합를 확장한다.
• 픽셀 단위 분할을 위해 시그모이드 활성화 함수와 이진 교차 엔트로피 손실을 사용하여 네트워크를 엔드 투 엔드로 훈련시킨다.
• 일관된 일반화 능력을 향상시키기 위해 데이터 증강 및 정규화 기법을 적용한다.
• 정확한 비교를 위해 U-Net과 mrU-Net 간에 동일한 훈련 및 테스트 프로토콜을 사용한다.

실험 결과

연구 질문

• RQ1 표준 U-Net과 비교해 복수의 해상도 입력을 통합할 경우 의료 영상 분석에서 분할 정확도가 향상되는가?
• RQ2 제안된 mrU-Net 아키텍처는 성능을 유지하거나 향상시키면서도 훈련 시간을 단축시키는가?
• RQ3 피부 병변, CT, 망막, MRI 영상 등 다양한 의료 영상 모달리티에서 mrU-Net의 성능은 U-Net과 어떻게 비교되는가?
• RQ4 다중 해상도 입력 전략은 딥 분할 네트워크의 특징 추출 능력을 어느 정도 향상시키는가?
• RQ5 다양한 데이터셋에서 분할 정확도 향상 정도가 통계적으로 유의미한가?

주요 결과

• mrU-Net은 피부 병변 데이터셋에서 70.6%의 Dice 유사도 계수를 기록하며 U-Net을 뛰어넘는 성능을 보였다.
• 폐 CT 영상인 LUNA 데이터셋에서 mrU-Net은 97.9%의 Dice 스코어를 기록하여 U-Net보다 뛰어난 분할 정확도를 입증했다.
• DRIVE 망막 영상 데이터셋에서 mrU-Net은 73.6%의 Dice 스코어를 기록하며 U-Net 대비 일관된 성능 향상을 보였다.
• PROMISE12 전립선 MRI 데이터셋에서 mrU-Net과 U-Net은 각각 77.9%의 동일한 Dice 스코어를 기록하여 이 특정 모달리티에서는 유사한 성능을 보였다.
• LUNA 및 DRIVE 데이터셋에서 mrU-Net은 U-Net보다 더 빠른 훈련 속도를 보이며 최적화 효율성이 향상됨을 시사했다.
• 다중 해상도 입력 전략은 특징 추출 능력을 향상시켜 모델의 향상된 성능과 빠른 훈련 속도에 기여했다.