[論文レビュー] KiU-Net: Towards Accurate Segmentation of Biomedical Images using Over-complete Representations

Jeya Maria Jose, Vishwanath A. Sindagi+2 more|arXiv (Cornell University)|Jun 8, 2020

Advanced Neural Network Applications参考文献 25被引用数 15

ひとこと要約

本稿では、エンコーダパスにおける空間的アップサンプリングを用いて過完備表現を実現する新しいU-Netの変種、KiU-Netを提案する。この手法により、微細な特徴抽出が可能となり、前term新生児の超音波画像において、標準U-Netと比較してDICEスコア（75.17%）とJaccardインデックス（60.37%）で4%の向上を達成した。また、パラメータ数を削減し、収束を高速化した。

ABSTRACT

Due to its excellent performance, U-Net is the most widely used backbone architecture for biomedical image segmentation in the recent years. However, in our studies, we observe that there is a considerable performance drop in the case of detecting smaller anatomical landmarks with blurred noisy boundaries. We analyze this issue in detail, and address it by proposing an over-complete architecture (Ki-Net) which involves projecting the data onto higher dimensions (in the spatial sense). This network, when augmented with U-Net, results in significant improvements in the case of segmenting small anatomical landmarks and blurred noisy boundaries while obtaining better overall performance. Furthermore, the proposed network has additional benefits like faster convergence and fewer number of parameters. We evaluate the proposed method on the task of brain anatomy segmentation from 2D Ultrasound (US) of preterm neonates, and achieve an improvement of around 4% in terms of the DICE accuracy and Jaccard index as compared to the standard-U-Net, while outperforming the recent best methods by 2%. Code: https://github.com/jeya-maria-jose/KiU-Net-pytorch .

研究の動機と目的

• ノイズの多い超音波画像における小規模な解剖学的構造やぼやけた境界のセグメンテーションにおける標準U-Netの限界を解決すること。
• 空間的解像度を低下させるU-Net固有の不完全表現の性質を克服し、微細な特徴学習を可能にすること。
• 深層学習における医療画像セグメンテーションへの過完備表現の利用を検討すること。これは、現在までほとんど研究が進んでいない分野である。
• モデルの複雑さを増さずに、脳室やセプトゥム・ペルリクイダムのような重要な新生児脳構造のセグメンテーション精度を向上させること。
• 性能を維持または向上させつつ、パラメータ数を減らし、収束を高速化すること。

提案手法

• エンコーダパスで特徴マップを空間的にアップサンプリングすることで、高分解能の空間的情報を保持する過完備エンコーダブランチ（Ki-Net）を導入する。
• 標準U-Netエンコーダと並列にKi-Netを統合し、スキップ接続により複数スケールでの特徴マッピングを可能にする。
• Ki-Netエンコーダパスで転置畳み込み（デコンボリューション）を用い、特徴をより高次元の空間表現に投影する。
• U-Net風のデコーダパスを維持し、Ki-NetおよびU-Netブランチからのスキップ接続を活用して特徴の精練を図る。
• 前term新生児の2次元超音波画像を用い、バイナリクロスエントロピー損失とDICE損失を組み合わせて、エンドツーエンドのKiU-Netモデルを学習する。
• 過完備特徴による受容 field の柔軟性の向上を活かし、小規模構造やエッジ詳細の捉えを強化する。

実験結果

リサーチクエスチョン

• RQ1 過完備表現は、ノイズの多い超音波画像における小規模で定義の曖昧な解剖学的構造のセグメンテーションを改善できるか？
• RQ2 エンコーダパスにおける空間的アップサンプリングは、標準的な不完全表現U-Netと比較して、微細なセグメンテーションのための特徴表現を向上させられるか？
• RQ3 KiU-Netは、パラメータ数を減らし、収束を高速化しながらも、標準U-Netおよび最先端手法を上回る性能を達成できるか？
• RQ4 U-NetとKi-Netを統合することで、照度のばらつきや低コントラスト境界といった画像アーチファクトに対して、モデルのロバスト性が向上するか？
• RQ5 過完備アーキテクチャは、前term新生児脳超音波画像のような困難な臨床データにおける一般化性能をどの程度向上させるか？

主な発見

• KiU-NetはRITEデータセットでDICEスコア75.17%を達成し、標準U-Net（55.24%）と比較して4%の向上を示した。
• KiU-NetのJaccardインデックスは60.37%に達し、U-Netの31.11%から顕著な向上を示し、正解ラベルとの重複度が優れていることを裏付けた。
• KiU-Netは最近の最先端手法よりもDICE精度で2%向上させ、困難な新生児超音波データに対する有効性を確認した。
• 性能向上にもかかわらず、標準U-Netよりも収束が早く、パラメータ数も少ない。
• 定性的な結果から、KiU-Netは特に脳室やセプトゥム・ペルリクイダムのズームアップ画像における小規模構造やぼやけた境界をよりよく捉えていることがわかった。
• アブレーションスタディにより、過完備なKi-Netブランチが微細な詳細のセグメンテーションにおいて性能向上に不可欠であることが確認された。