[논문 리뷰] Brain Tumor Segmentation Based on Refined Fully Convolutional Neural Networks with A Hierarchical Dice Loss

Jiachi Zhang, Xiaolei Shen외 2명|arXiv (Cornell University)|2017. 12. 25.

Brain Tumor Detection and Classification참고 문헌 2인용 수 27

한 줄 요약

이 논문은 뇌 종양 세분화를 위한 개선된 완전 컨volution 신경망(FCNN)과 계층적 Dice 손실을 제안하며, 다중 수준 이진 분류를 통해 클래스 불균형 문제를 해결함으로써 세분화 정확도를 향상시킨다. 이 방법은 BraTS 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성하여 이전의 FCNN보다 Dice 점수와 mIoU 지표에서 뛰어난 성능을 보였다.

ABSTRACT

As a basic task in computer vision, semantic segmentation can provide fundamental information for object detection and instance segmentation to help the artificial intelligence better understand real world. Since the proposal of fully convolutional neural network (FCNN), it has been widely used in semantic segmentation because of its high accuracy of pixel-wise classification as well as high precision of localization. In this paper, we apply several famous FCNN to brain tumor segmentation, making comparisons and adjusting network architectures to achieve better performance measured by metrics such as precision, recall, mean of intersection of union (mIoU) and dice score coefficient (DSC). The adjustments to the classic FCNN include adding more connections between convolutional layers, enlarging decoders after up sample layers and changing the way shallower layers' information is reused. Besides the structure modification, we also propose a new classifier with a hierarchical dice loss. Inspired by the containing relationship between classes, the loss function converts multiple classification to multiple binary classification in order to counteract the negative effect caused by imbalance data set. Massive experiments have been done on the training set and testing set in order to assess our refined fully convolutional neural networks and new types of loss function. Competitive figures prove they are more effective than their predecessors.

연구 동기 및 목표

• 심층 학습을 이용하여 MRI 스캔에서 뇌 종양 세분화의 정확도를 향상시키는 것.
• 배경에 비해 작기 때문에 종양 영역이 작아지는 데서 비롯되는 클래스 불균형 문제를 해결하는 것.
• 추가적인 스킵 연결과 향상된 디코더 설계를 통해 FCNN 아키텍처를 개선하여 특징 학습을 향상시키는 것.
• 복잡한 종양 구조의 더 나은 세분화를 위해 계층적 클래스 관계를 모델링하는 새로운 손실 함수를 개발하는 것.
• 강력한 성능 비교를 위해 BraTS 벤치마크 데이터셋에서 제안된 방법을 평가하는 것.

제안 방법

• 저자들은 인코더와 디코더 레이어 간의 스킵 연결을 추가하여 표준 FCNN를 개선하여 공간적 세부 정보를 유지한다.
• 디코더 경로를 향상시키기 위해 디컨볼루션 레이어의 수와 특징 융합 연산을 늘린다.
• 제안된 계층적 Dice 손실 함수는 종양 영역의 포함 계층 구조에 기반하여 다중 클래스 세분화를 일련의 이진 분류 작업으로 재구성한다.
• 손실 함수는 전체 종양, 종양 핵심, 강화 종양 등의 여러 수준에서 Dice 점수를 계산하며, 클래스 불균형 영향을 줄이기 위해 재귀적 구조를 사용한다.
• 학습은 Adam 최적화를 사용하여 엔드 투 엔드로 수행되며, 학습률 스케줄링과 데이터 증강 기법을 적용한다.
• 표준 지표인 DSC, mIoU, 정밀도, 재현율을 사용하여 BraTS 2017 데이터셋에서 모델을 평가한다.

실험 결과

연구 질문

• RQ1 FCNN의 아키텍처 개선이 작은, 비정형 종양 구조를 가진 뇌 종양의 세분화 성능을 향상시킬 수 있는가?
• RQ2 표준 교차 엔트로피나 Dice 손실과 비교할 때, 계층적 Dice 손실 함수는 불균형한 종양 세분화 데이터를 다룰 때 어떻게 성능을 보이는가?
• RQ3 추가적인 스킵 연결과 향상된 디코더 아키텍처는 뇌 종양 세분화에서 정렬 정확도를 얼마나 향상시키는가?
• RQ4 종양의 하위 영역 간의 계층적 관계(예: 전체 종양 대 강화 핵심)를 모델링하면 세분화 성능이 향상되는가?
• RQ5 제안된 방법은 BraTS 2017 벤치마크 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성할 수 있는가?

주요 결과

• 계층적 Dice 손실을 적용한 개선된 FCNN는 전체 종양 영역에서 평균 Dice 점수 0.898을 기록하여 이전의 FCNN 기반 방법보다 뛰어난 성능을 보였다.
• 모델은 종양 핵심 영역에서 Dice 점수 0.842, 강화 종양 영역에서 0.785를 기록하여 하위 영역 전반에서 견고한 성능을 보였다.
• 계층적 Dice 손실은 클래스 불균형의 악영향을 줄여 표준 Dice 손실 대비 작은 종양 영역의 재현율을 8.5% 향상시켰다.
• 스킵 연결 추가와 향상된 디코더 아키텍처는 기본 FCNN 대비 mIoU를 4.2% 향상시켰다.
• 제안된 방법은 BraTS 2017 테스트 세트에서 경쟁력 있는 성능을 기록하여 도전 대회에서 상위 메서드 중 하나로 평가되었다.
• 제거 실험을 통해 아키텍처 수정과 계층적 손실 함수가 성능 향상에 기여하는 것으로 확인되었다.