[논문 리뷰] U-Net Using Stacked Dilated Convolutions for Medical Image Segmentation

Shuhang Wang, Szu-Yeu Hu외 11명|arXiv (Cornell University)|2020. 04. 07.

Advanced Neural Network Applications참고 문헌 15인용 수 30

한 줄 요약

SDU-Net은 인코더/디코더 작동 내에서 확장된 컨볼루션을 쌓는 U-Net 변형으로, 몇 가지 베이스라인보다 훨씬 적은 매개변수로 더 나은 세분화를 달성합니다.

ABSTRACT

This paper proposes a novel U-Net variant using stacked dilated convolutions for medical image segmentation (SDU-Net). SDU-Net adopts the architecture of vanilla U-Net with modifications in the encoder and decoder operations (an operation indicates all the processing for feature maps of the same resolution). Unlike vanilla U-Net which incorporates two standard convolutions in each encoder/decoder operation, SDU-Net uses one standard convolution followed by multiple dilated convolutions and concatenates all dilated convolution outputs as input to the next operation. Experiments showed that SDU-Net outperformed vanilla U-Net, attention U-Net (AttU-Net), and recurrent residual U-Net (R2U-Net) in all four tested segmentation tasks while using parameters around 40% of vanilla U-Net's, 17% of AttU-Net's, and 15% of R2U-Net's.

연구 동기 및 목표

• 효율적이고 정확한 의료 영상 분할을 동기 부여합니다.
• U-Net 아키텍처를 적층된 확장 합성곱을 적용하도록 조정합니다.
• 모델 크기를 줄이면서 분할 품질을 유지하거나 개선합니다.
• 여러 작업에서 SDU-Net을 vanilla U-Net, AttU-Net, R2U-Net과 비교합니다.

제안 방법

• U-Net 구조를 유지하되 인코더/디코더 연산을 하나의 표준 합성곱 뒤에 여러 확장 합성곱을 사용하도록 수정합니다.
• 모든 확장 합성곱의 출력을 연결(concatenate)하고 이를 다음 연산의 입력으로 제공합니다.
• 네 가지 분할 작업에서 SDU-Net을 기준 네트워크와 비교 평가합니다.
• 기준 모델에 대한 매개변수 수를 분석합니다.
• 성능 개선 및 매개변수 효율성을 보고합니다.

실험 결과

연구 질문

• RQ1 SDU-Net 내에서 확장 합성곱을 쌓는 것이 vanilla U-Net 및 다른 변형보다 분할 성능을 향상시키나요?
• RQ2 SDU-Net이 훨씬 적은 매개변수로 비교 가능한 또는 더 나은 정확도를 달성할 수 있나요?
• RQ3 AttU-Net 및 R2U-Net과 비교하여 SDU-Net은 여러 의료 영상 분할 작업에서 어떻게 수행되나요?

주요 결과

• SDU-Net은 네 가지 테스트 분할 작업에서 vanilla U-Net, AttU-Net, R2U-Net을 모두 능가했습니다.
• SDU-Net은 vanilla U-Net 매개변수의 약 40%, AttU-Net 매개변수의 약 17%, R2U-Net 매개변수의 약 15%를 사용했습니다.
• 이 아키텍처는 평가된 작업들 전반에서 분할 품질을 희생하지 않고 효율성을 향상시킵니다.