[논문 리뷰] Unified Multi-scale Feature Abstraction for Medical Image Segmentation

Xi Fang, Bo Du외 3명|arXiv (Cornell University)|2019. 10. 24.

Advanced Neural Network Applications참고 문헌 7인용 수 4

한 줄 요약

이 논문은 MIMO-FAN을 제안하며, 밀도 있는 다중 척도 연결(DCCs)과 깊이 있는 피라미드 감독(DPS)을 통해 다중 척도 입력 및 출력 특징을 통합하는 새로운 2D U-Net 기반 아키텍처이다. 이 방법은 단일 단계 추론을 통해 최신 기술 수준의 성능을 달성하며, LiTS 챌린지 데이터셋에서 평균 Dice 스코어 95.7%를 기록했고, 다단계 및 3D 방법을 능가하면서도 단일 GPU에서 훨씬 더 빠른 훈련 속도를 보였다.

ABSTRACT

Automatic medical image segmentation, an essential component of medical image analysis, plays an importantrole in computer-aided diagnosis. For example, locating and segmenting the liver can be very helpful in livercancer diagnosis and treatment. The state-of-the-art models in medical image segmentation are variants ofthe encoder-decoder architecture such as fully convolutional network (FCN) and U-Net.1A major focus ofthe FCN based segmentation methods has been on network structure engineering by incorporating the latestCNN structures such as ResNet2and DenseNet.3In addition to exploring new network structures for efficientlyabstracting high level features, incorporating structures for multi-scale image feature extraction in FCN hashelped to improve performance in segmentation tasks. In this paper, we design a new multi-scale networkarchitecture, which takes multi-scale inputs with dedicated convolutional paths to efficiently combine featuresfrom different scales to better utilize the hierarchical information.

연구 동기 및 목표

• 의료 영상 분할에서 전역적이고 국소적인 맥락 정보를 통합하는 데 어려움이 있는 문제를 통합 다중 척도 프레임워크를 통해 해결하고자 한다.
• 기존 2D 및 3D U-Net 변종들이 다단계 또는 3D 처리를 필요로 하는 것과 비교해 훈련 시간과 계산 비용을 줄이고자 한다.
• 모든 네트워크 깊이에서 다중 척도 특징을 융합하여 계층적이고 맥락적인 정보를 유지함으로써 특징 추출을 향상시키고자 한다.
• 다양한 출력 척도에서 기울기 소실을 완화하기 위해 다수의 출력 척도에 깊이 있는 피라미드 감독을 도입하고자 한다.
• 두 단계의 굵은-세밀한 파이프라인을 피하기 위해 단일 단계 추론을 통해 경쟁력 있는 분할 성능을 달성하고자 한다.

제안 방법

• 네트워크는 공간 피ラ미드 풀링을 통해 다중 척도 입력을 사용하여 네트워크 초기 단계에서 다양한 해상도에서 시나리오 맥락을 추출한다.
• 밀도 있는 다중 척도 연결(DCCs)은 잔차 연결과 밀도 있는 스킵 연결을 사용해 같은 깊이에서 다른 척도의 특징을 융합하여 계층적 특징 표현을 향상시킨다.
• DCCs는 인코더에서 상향식 융합과 디코더에서 하향식 복원을 통해 다양한 척도 간 맥락의 무결성을 유지한다.
• 깊이 있는 피라미드 감독(DPS)은 다중 출력 척도에서 가중치가 부여된 교차 엔트로피 손실을 적용하며, 각 척도에 맞게 공간 피라미드 풀링을 통해 진짜 레이블을 생성한다.
• 스케일 융합(SF) 전략은 두 개의 가장 큰 확률 맵을 융합하여 더 신뢰할 수 있는 최종 분할 마스크를 생성한다.
• 모델은 효율성을 위해 데이터 증강 및 256×256로 리사이징한 2D 축 방향 슬라이스를 사용해 단일 Titan Xp GPU에서 엔드 투 엔드로 훈련된다.

실험 결과

연구 질문

• RQ1 3D 컨볼루션 또는 다단계 파이프라인에 의존하지 않고도 통합 다중 척도 네트워크 아키텍처가 2D 의료 영상 분할에서 특징 추출을 향상시킬 수 있는가?
• RQ2 모든 네트워크 깊이에서 다중 척도 특징을 융합하는 것이 분할 정확도와 훈련 안정성에 어떤 영향을 미치는가?
• RQ3 깊이 있는 피라미드 감독이 기울기 소실을 어느 정도 완화하고 다양한 출력 척도에서 성능을 향상시키는가?
• RQ4 표준 스킵 연결과 비교했을 때 제안된 DCC 모듈은 특징 표현과 분할 정확도 측면에서 어떤가?
• RQ5 단일 단계 2D 네트워크가 간 CT 분할에서 다단계 또는 3D 최신 기술 수준의 방법과 비교해 경쟁 가능한 성능을 달성할 수 있는가?

주요 결과

• MIMO-FAN은 LiTS 테스트 세트에서 평균 Dice 스코어 95.7%를 기록했으며, 단일 단계 추론으로 3D H-DenseUNet(96.1%)의 평균 Dice를 능가했다.
• 모델은 단일 Titan Xp GPU에서 단 3시간 만에 훈련되었고, 2D DenseUNet의 21시간 훈련 시간과 H-DenseUNet의 9시간 정밀 조정 시간에 비해 훨씬 더 빠르게 학습되었다.
• 제거 분석 결과 DCC와 DPS를 결합하면 평균 Dice 스코어 95.4%를 기록했으며, 스케일 융합을 적용하면 95.7%로 추가로 향상되었다.
• 통계적 t-검정 결과 MIMO-FAN은 U-Net(p=0.004), ResU-Net(p=0.025), DenseU-Net(p=0.002)를 유의미하게 뛰어넘었으며, 유의수준 0.05 이하의 p-값을 확보했다.
• 전역 Dice 스코어 96.2%를 기록하여 더 크고 복잡한 간 구조에서 강력한 성능을 보였다.
• 시각적 결과에서는 기준 U-Net 변종 대비 거짓 양성 및 음성 수가 감소했으며, MIMO-FAN은 경계 세부 정보를 더 잘 유지했다.