[논문 리뷰] Semantic-guided Encoder Feature Learning for Blurry Boundary Delineation

Dong Nie, Dinggang Shen|arXiv (Cornell University)|2019. 06. 10.

Medical Image Segmentation Techniques참고 문헌 11인용 수 5

한 줄 요약

이 논문은 저대비 의료 영상에서 경계 분할을 향상시키기 위해 의미 지도형 인코더 특징 학습(SGM) 모듈과 소프트 윤곽 제약을 제안한다. 주의 메커니즘을 통해 고해상도 의미 특징을 활용하고, 확률적 소프트 레이블을 사용해 흐릿한 경계를 모델링함으로써, 특히 MRI에서의 전립선과 같은 도전적인 구조에서 최신 기술 수준(SOTA) 성능을 달성한다. 기준 UNet 대비 전립선에서 DSC가 4.41% 향상되었다.

ABSTRACT

Encoder-decoder architectures are widely adopted for medical image segmentation tasks. With the lateral skip connection, the models can obtain and fuse both semantic and resolution information in deep layers to achieve more accurate segmentation performance. However, in many applications (e.g., blurry boundary images), these models often cannot precisely locate complex boundaries and segment tiny isolated parts. To solve this challenging problem, we firstly analyze why simple skip connections are not enough to help accurately locate indistinct boundaries and argue that it is due to the fuzzy information in the skip connection provided in the encoder layers. Then we propose a semantic-guided encoder feature learning strategy to learn both high resolution and rich semantic encoder features so that we can more accurately locate the blurry boundaries, which can also enhance the network by selectively learning discriminative features. Besides, we further propose a soft contour constraint mechanism to model the blurry boundary detection. Experimental results on real clinical datasets show that our proposed method can achieve state-of-the-art segmentation accuracy, especially for the blurry regions. Further analysis also indicates that our proposed network components indeed contribute to the improvement of performance. Experiments on additional datasets validate the generalization ability of our proposed method.

연구 동기 및 목표

• 저대비 의료 영상에서 정확도가 떨어지는 경계 분할 문제, 특히 전립선과 같은 경계가 흐리거나 사라지는 기관의 경우를 해결하기 위해.
• 인코더-디코더 네트워크에서 표준 스위프트 커넥션의 한계를 극복하기 위해, 浅층에서 유입되는 노이즈가 많고 정밀도가 떨어지는 특징을 전파하는 것을 방지하기 위해.
• 디코더에서 유도된 고수준 의미 정보로 인코더 레이어의 특징 학습을 명시적으로 지도함으로써 더 나은 국소화 성능을 향상시키기 위해.
• 경계 확률을 하드 이진 레이블이 아닌 모델링하는 소프트 윤곽 제약을 도입함으로써 경계 탐지 정확도를 높이기 위해.
• 학습 도메인 외부의 외부 데이터셋에서도 방법의 일반화 능력을 검증하기 위해.

제안 방법

• 저수준 인코더 특징과 고수준 디코더 특징을 연결한 후 채널별 및 공간별 주의 메커니즘을 적용하여 구분력 있는 고해상도 의미 특징을 학습하는 의미 지도형 인코더 특징 학습(SGM) 모듈을 도입한다.
• 디코더 특징에 의해 유도된 주의 메커니즘을 사용해 인코더에서 정보성 있는 공간적 및 채널별 특징을 선택적으로 강조함으로써 노이즈를 감소시키고 경계 관련 표현을 향상시킨다.
• 흐린 경계의 불확실성을 모델링하기 위해 확률적 경계 레이블(소프트 레이블)을 사용하는 소프트 교차 엔트로피 손실을 적용함으로써 국소화 정밀도를 향상시킨다.
• 원시 연결을 주의 기반 정규화 특징 융합으로 대체함으로써, 강화된 인코더 특징을 스위프트 커넥션을 통해 디코더 레이어와 결합한다.
• 명확한 경계에는 하드 제약, 흐린 경계에는 소프트 제약을 사용하는 분할 및 경계 탐지 브랜치를 포함한 다중 작업 학습을 구현한다.
• 다중 스케일 딥 서포비전을 사용해 네트워크를 훈련하고, 표준 평가 지표인 Dice 유사도 계수(DSC) 및 평균 표면 거리(ASD)를 사용해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 심층 특징에서 유도된 의미 지도가 의료 영상 분할에서 고해상도 인코더 특징의 질을 향상시켜 경계 국소화 성능을 높일 수 있는가?
• RQ2 원시 스위프트 커넥션을 주의 기반 특징 융합으로 대체함으로써 노이즈를 감소시키고 흐린 경계에서의 성능을 향상시킬 수 있는가?
• RQ3 경계 확률을 모델링하는 소프트 윤곽 제약이 기존의 하드 경계 제약보다 저대비 영역에서 성능을 뛰어나게 할 수 있는가?
• RQ4 제안된 방법이 유사한 경계 문제를 가진 새로운 임상 데이터셋에 얼마나 잘 일반화되는가?
• RQ5 개별 구성 요소(SGM, 소프트 제약)가 전체 성능 향상에 기여하는 정도는 얼마나 정량적으로 나타나는가?

주요 결과

• 기준 UNet에 비해 다중 스케일 딥 서포비전을 적용한 경우, 전립선(매우 흐린 구조)에서 DSC가 4.41% 향상되어 최고 성능을 달성했다.
• 소프트 윤곽 제약은 평균 표면 거리(ASD)에서 0.8% 향상되어 흐린 경계에서의 국소화 정확도가 향상됨을 시사한다.
• SGM 모듈은 성능 향상에 기여가 크며, 기준 대비 방광, 전립선, 직장에서 각각 DSC가 2.40%, 4.41%, 2.8% 향상되었다.
• PROMISE12 데이터셋에서 다섯 번의 교차 검증을 통해 DSC 0.92, ASD 1.57를 기록하여 290개의 제출 중 상위 6개 이내로 랭크되었다.
• 정성적 시각화 결과, FCN, UNet, AttUNet, ConSEUNet에 비해 제안된 방법이 특히 흐린 영역에서 더 날카우며 정밀한 경계 지도를 학습하는 것으로 나타났다.
• 클러스터링 기반의 특징 시각화 결과, 네트워크가 더 빠르게 수렴하고, 4번째 에포크에 더 구분력 있는 특징 맵을 생성함을 확인했다.