[논문 리뷰] UNet++: A Nested U-Net Architecture for Medical Image Segmentation

Zongwei Zhou, Md Mahfuzur Rahman Siddiquee외 2명|arXiv (Cornell University)|2018. 07. 18.

Advanced Neural Network Applications참고 문헌 9인용 수 270

한 줄 요약

UNet++는 인코더와 디코더 피처 간의 의미 차이를 해소하기 위해 중첩된 조밀한 스킵 경로와 깊은 감독을 도입하여, 여러 의학적 분할 작업에서 U-Net 및 wide U-Net보다 더 높은 IoU를 달성합니다.

ABSTRACT

In this paper, we present UNet++, a new, more powerful architecture for medical image segmentation. Our architecture is essentially a deeply-supervised encoder-decoder network where the encoder and decoder sub-networks are connected through a series of nested, dense skip pathways. The re-designed skip pathways aim at reducing the semantic gap between the feature maps of the encoder and decoder sub-networks. We argue that the optimizer would deal with an easier learning task when the feature maps from the decoder and encoder networks are semantically similar. We have evaluated UNet++ in comparison with U-Net and wide U-Net architectures across multiple medical image segmentation tasks: nodule segmentation in the low-dose CT scans of chest, nuclei segmentation in the microscopy images, liver segmentation in abdominal CT scans, and polyp segmentation in colonoscopy videos. Our experiments demonstrate that UNet++ with deep supervision achieves an average IoU gain of 3.9 and 3.4 points over U-Net and wide U-Net, respectively.

연구 동기 및 목표

• 인코더와 디코더 피처 맵 간의 의미 차이를 줄여 의료 영상의 분할 정확도를 향상시킨다.
• 그레이디언트 흐름과 특징 융합을 강화하기 위해 밀집 연결을 갖춘 재설계된 스킵 경로를 도입한다.
• 성능 저하 없이 다중 분기 출력과 모델 가지치기를 가능하게 하기 위해 깊은 감독을 활용한다.

제안 방법

• 인코더 피처를 디코더 피처와 융합하기 전에 점진적으로 풍부하게 만드는 중첩된 밀집 스킵 경로가 있는 UNet++를 제안한다.
• 스킵 경로에 밀집 합성곱 블록을 사용하여 인코더와 디코더 맵 간의 의미 차이를 해소한다.
• 여러 의미 수준에서 보조 분할 출력을 추가하고 손실을 결합하여 깊은 감독을 적용한다.
• 정확도 유지하면서 추론 시간을 줄이기 위해 깊은 감독을 통한 가지치기 메커니즘을 제공한다.
• 네 가지 데이터셋에 걸쳐 U-Net 및 wide U-Net과 비교하여 성능 향상을 평가한다.

실험 결과

연구 질문

• RQ1 다양한 의료 영상 작업에서 UNet++가 U-Net 및 wide U-Net보다 더 높은 IoU를 달성하는가?
• RQ2 깊은 감독이 분할 성능과 모델 가지치기 효과에 기여하는가?
• RQ3 가지치기가 적용될 때 추론 속도 측면에서 UNet++는 어떻게 작동하는가?
• RQ4 중첩된 스킵 경로와 깊은 감독으로 가장 큰 혜택을 받는 데이터셋은 무엇인가?

주요 결과

• 깊은 감독이 없는 UNet++는 U-Net보다 평균 IoU가 2.8포인트, wide U-Net보다 3.3포인트 더 높다.
• 깊은 감독이 있는 UNet++는 U-Net에 비해 평균 IoU가 3.9포인트, wide U-Net에 비해 3.4포인트 더 높게 나타난다.
• 깊은 감독은 간 및 폐 결절 데이터셋의 분할을 향상시키고, 세포핵 및 대장 폴립 데이터셋의 이득은 덜 두드러진다.
• UNet++를 L3로 가지치면 추론 시간이 평균 32.2% 감소하나 IoU는 0.6포인트만 저하된다.
• 네 가지 데이터셋에 걸쳐 UNet++는 기준보다 더 좋은 성능이거나 매개변수 수가 적으면서 동등한 성능을 보인다.