[논문 리뷰] Y-net: Biomedical Image Segmentation and Clustering

Sharmin Pathan, Anant Tripathi|arXiv (Cornell University)|2020. 04. 12.

AI in cancer detection참고 문헌 7인용 수 11

한 줄 요약

이 논문은 병변 정도 분석을 위한 생물의학 영상 분할과 비지도 군집화를 동시에 수행하는 통합 딥러닝 아키텍처인 Y-net을 제안한다. 자동에코드 인코더에서 추출한 공유 특징을 분할 헤드와 K-means 군집화 헤드 간에 공유함으로써, Y-net은 UNet과 DeepLab의 절반 이하의 파라미터로도 ISIC 2018과 Cityscapes에서 최신 기술 수준의 성능을 달성하여 효율적이고 저비용이며 자동화된 진단 지원을 가능하게 한다.

ABSTRACT

We propose a deep clustering architecture alongside image segmentation for medical image analysis. The main idea is based on unsupervised learning to cluster images on severity of the disease in the subject's sample, and this image is then segmented to highlight and outline regions of interest. We start with training an autoencoder on the images for segmentation. The encoder part from the autoencoder branches out to a clustering node and segmentation node. Deep clustering using Kmeans clustering is performed at the clustering branch and a lightweight model is used for segmentation. Each of the branches use extracted features from the autoencoder. We demonstrate our results on ISIC 2018 Skin Lesion Analysis Towards Melanoma Detection and Cityscapes datasets for segmentation and clustering. The proposed architecture beats UNet and DeepLab results on the two datasets, and has less than half the number of parameters. We use the deep clustering branch for clustering images into four clusters. Our approach can be applied to work with high complexity datasets of medical imaging for analyzing survival prediction for severe diseases or customizing treatment based on how far the disease has propagated. Clustering patients can help understand how binning should be done on real valued features to reduce feature sparsity and improve accuracy on classification tasks. The proposed architecture can provide an early diagnosis and reduce human intervention on labeling as it can become quite costly as the datasets grow larger. The main idea is to propose a one shot approach to segmentation with deep clustering.

연구 동기 및 목표

• 의료 영상에서 영상 분할과 비지도 군집화를 동시에 수행할 수 있는 통합 딥러닝 프레임워크를 개발하는 것.
• 질병 정도 기반으로 자동으로 영상 군집화가 가능한 자기지도 학습 기반의 방식을 통해 고비용 인간 레이블링에 대한 의존도를 줄이는 것.
• 공유된 특징 표현을 활용해 동시에 분할 성능를 향상시키면서도 임상적으로 의미 있는 군집으로 영상을 그룹화하는 것.
• 의료 영상에서 질병 진행 패턴을 식별함으로써 조기 진단과 개인 맞춤 치료 계획 수립을 지원하는 것.
• 경량 분할 헤드와 공유 인코더를 사용하여 모델 복잡도를 최소화하고 기존 아키텍처보다 파라미터 수를 감소시키는 것.

제안 방법

• 엔드 투 엔드로 훈련된 자동에코드가 압축된 영상 표현을 학습하며, 이 인코더가 공유 백본으로 기능한다.
• 인코더의 특징이 두 개의 분기로 분할된다: 하나는 경량 디코더를 사용한 분할, 다른 하나는 잠재 특징에 대한 K-means를 통한 군집화.
• 군집화 분기에서는 자동에코드의 버블넥 특징을 사용하여 병변 정도 기반으로 영상들을 네 개의 군집으로 그룹화한다.
• 분할 분기는 얕은 디코더를 사용하여 입력 영상을 재구성하며, 픽셀 단위 정확도를 최적화한다.
• 전체 네트워크는 분할과 군집화 목표를 동시에 최적화하는 방식으로 공동으로 훈련된다.
• 이 아키텍처는 ISIC 2018과 Cityscapes 데이터셋에서 평가되어 파라미터 수를 줄였음에도 성능 향상을 입증하였다.

실험 결과

연구 질문

• RQ1 단일 딥러닝 모델이 생물의학 영상에서 영상 분할과 비지도 군집화를 효과적으로 동시에 수행할 수 있는가?
• RQ2 분할과 군집화를 공동으로 학습할 경우, 개별적으로 훈련된 모델과 비교해 성능 향상이 얼마나 이루어지는가?
• RQ3 공유된 특징 학습 방식이 모델 복잡도를 얼마나 줄일 수 있으며, 정확도 유지 또는 향상에 기여하는가?
• RQ4 학습된 특징 기반 군집화가 연속적인 임상 특징을 분류 범주로 나누고 후속 분류 작업에서 희소성 문제를 줄이는 데 기여하는가?
• RQ5 제안된 원샷 접근 방식이 의료 영상 분석에서 고비용 인간 레이블링의 필요성을 줄이는가?

주요 결과

• Y-net은 ISIC 2018과 Cityscapes 데이터셋에서 UNet과 DeepLab보다 분할 성능에서 뛰어난 성능을 보였다.
• 기존 기준 모델 대비 파라미터 수의 절반 이하로도 뛰어난 결과를 달성하였다.
• 딥 군집화 분기는 병변 정도 기반으로 임상적으로 의미 있는 네 개의 군집으로 영상을 성공적으로 그룹화하였다.
• 공유 인코더 아키텍처는 효율적인 특징 재사용을 가능하게 하여 모델 복잡도와 추론 비용을 감소시켰다.
• 이 프레임워크는 조기 진단을 지원할 수 있으며, 생존 예측 및 개인 맞춤 치료에 적용 가능한 고복잡도 의료 영상 작업에 활용될 수 있다.
• 비지도 군집화를 통해 수동 레이블링 의존도를 줄여주어 데이터셋 크기가 증가함에 따라 매우 중요하다.