[논문 리뷰] No New-Net

Fabian Isensee, Philipp Kickingereder외 3명|arXiv (Cornell University)|2018. 09. 27.

AI in cancer detection참고 문헌 20인용 수 43

한 줄 요약

이 논문은 아키텍처의 최소한의 수정만을 가한 잘 트레이닝된 U-Net이 BraTS 2018 도전 대회에서 복잡한 아키텍처를 능가함을 보여준다. 큰 패치를 사용한 트레이닝 최적화, Dice 손실, 영역 기반 트레이닝, 데이터 증강, 손실 함수 조합을 통해 이 방법은 최상의 성능을 달성했으며, 강화된 종양에 대해 77.88, 전체 종양에 대해 87.81, 종양 핵에 대해 80.62의 Dice 스코어로 2위를 기록했다.

ABSTRACT

In this paper we demonstrate the effectiveness of a well trained U-Net in the context of the BraTS 2018 challenge. This endeavour is particularly interesting given that researchers are currently besting each other with architectural modifications that are intended to improve the segmentation performance. We instead focus on the training process arguing that a well trained U-Net is hard to beat. Our baseline U-Net, which has only minor modifications and is trained with a large patch size and a Dice loss function indeed achieved competitive Dice scores on the BraTS2018 validation data. By incorporating additional measures such as region based training, additional training data, a simple postprocessing technique and a combination of loss functions, we obtain Dice scores of 77.88, 87.81 and 80.62, and Hausdorff Distances (95th percentile) of 2.90, 6.03 and 5.08 for the enhancing tumor, whole tumor and tumor core, respectively on the test data. This setup achieved rank two in BraTS2018, with more than 60 teams participating in the challenge.

연구 동기 및 목표

• 의료 영상 분할에서 트레이닝 최적화가 아키텍처 혁신을 능가할 수 있는지 조사하기.
• BraTS 2018 대회에서 U-Net 성능에 대한 트레이닝 전략의 영향 평가하기.
• 최소한의 아키텍처 수정과 함께 고급 트레이닝 기법을 조합했을 때 경쟁력 있는 성능을 달성할 수 있는지 확인하기.

제안 방법

• 로컬 특징 학습을 향상시키기 위해 큰 패치 크기로 U-Net을 트레이닝하기.
• 불균형 데이터에서의 분할 성능 최적화를 위해 Dice 손실 함수 사용하기.
• 도전적인 종양 영역에 집중하기 위해 영역 기반 트레이닝 적용하기.
• 모델의 일반화 능력을 향상시키기 위해 추가 트레이닝 데이터 통합하기.
• 다양한 분할 목표를 균형 있게 조절하기 위해 손실 함수 조합 사용하기.
• 분할 출력을 정밀하게 다듬기 위해 단순한 후처리 기법 적용하기.

실험 결과

연구 질문

• RQ1 고도로 최적화된 기술을 사용할 경우, 최소한의 아키텍처 수정만을 가한 표준 U-Net이 의료 영상 분할에서 최고 성능을 낼 수 있는가?
• RQ2 큰 패치 트레이닝이 뇌 종양 MRI 분할에서 U-Net의 분할 정확도에 어떤 영향을 미치는가?
• RQ3 손실 함수 조합과 영역 기반 트레이닝이 BraTS 2018 데이터에서 U-Net 성능을 어느 정도 향상시키는가?
• RQ4 데이터 증강과 후처리가 아키텍처 변경 없이도 분할 결과를 현저히 향상시키는가?
• RQ5 트레이닝 최적화만으로 BraTS 2018과 같은 경쟁적 대회에서 최상의 성능을 달성할 수 있는가?

주요 결과

• 이 방법은 BraTS 2018 테스트 세트에서 강화된 종양에 대해 77.88의 Dice 스코어를 기록했다.
• 전체 종양에 대해 87.81의 Dice 스코어를 기록하여 대회에서 전체 2위를 기록했다.
• 종양 핵에 대해 80.62의 Dice 스코어를 기록하여 핵 영역에서 뛰어난 성능을 보였다.
• 강화된 종양에 대해 Hausdorff 거리(95% 분위수)는 2.90로, 높은 공간 정확도를 나타냈다.
• 전체 종양에 대해 Hausdorff 거리는 6.03이었으며, 경계 정확도가 뛰어나다는 것을 반영했다.
• BraTS 2018 대회에서 60개 이상의 참가 팀 중 2위를 기록하여 경쟁력 있는 성능을 입증했다.