[論文レビュー] UNet 3+: A Full-Scale Connected UNet for Medical Image Segmentation

Huimin Huang, Lanfen Lin+7 more|arXiv (Cornell University)|Apr 19, 2020

Advanced Neural Network Applications参考文献 11被引用数 26

ひとこと要約

UNet 3+ は、強化されたスキップ接続とディープスーパービジョンを備えたフルスケール接続 U-Net アーキテクチャを導入し、医療画像分類を向上させた。マルチスケール特徴量をエンコーダ・デコーダのすべてのレベルで統合し、分類ガイド付きモジュールを組み込んだハイブリッド損失関数を採用することで、特にスケールが異なる臓器の分類において、従来モデルを上回る高い精度と効率性を達成した。

ABSTRACT

Recently, a growing interest has been seen in deep learning-based semantic segmentation. UNet, which is one of deep learning networks with an encoder-decoder architecture, is widely used in medical image segmentation. Combining multi-scale features is one of important factors for accurate segmentation. UNet++ was developed as a modified Unet by designing an architecture with nested and dense skip connections. However, it does not explore sufficient information from full scales and there is still a large room for improvement. In this paper, we propose a novel UNet 3+, which takes advantage of full-scale skip connections and deep supervisions. The full-scale skip connections incorporate low-level details with high-level semantics from feature maps in different scales; while the deep supervision learns hierarchical representations from the full-scale aggregated feature maps. The proposed method is especially benefiting for organs that appear at varying scales. In addition to accuracy improvements, the proposed UNet 3+ can reduce the network parameters to improve the computation efficiency. We further propose a hybrid loss function and devise a classification-guided module to enhance the organ boundary and reduce the over-segmentation in a non-organ image, yielding more accurate segmentation results. The effectiveness of the proposed method is demonstrated on two datasets. The code is available at: github.com/ZJUGiveLab/UNet-Version

研究の動機と目的

• UNet++ がすべてのレベルでフルスケール特徴量を十分に活用できないという限界を是正すること。
• 特にスケールが著しく異なる臓器の分類精度を向上させること。
• 複雑な領域や臓器でない領域における過剰分類を低減し、境界の正確性を向上させること。
• アーキテクチャの革新を通じてパフォーマンスを向上させつつ、モデルパラメータを維持または削減すること。
• 分類出力を精緻化するためのより効果的な損失関数とモジュールを開発すること。

提案手法

• すべてのエンコーダ・デコーダレベルの特徴マップを直接接続するフルスケールスキップ接続を導入し、より豊かなマルチスケール特徴量統合を実現した。
• 複数のデコーダ段階に補助分類器を追加することで、階層的特徴学習を監視するディープスーパービジョンを採用した。
• バイナリクロスエントロピー損失とディスク損失を組み合わせたハイブリッド損失関数を設計し、学習の安定性と分類品質を向上させた。
• 境界予測の精緻化と非臓器領域における過剰分類の低減を図るために、分類ガイド付きモジュールを統合した。
• UNet++ のインスパイドである密なスキップ接続を、すべてのスケールに拡張したフルスケールアーキテクチャに発展させ、より良い特徴集約を実現した。
• ネットワークパラメータを削減することで、高いパフォーマンスを維持しつつ計算効率を最適化した。

実験結果

リサーチクエスチョン

• RQ1 すべてのエンコーダ・デコーダレベルにわたるフルスケールスキップ接続は、医療画像分類における特徴表現を向上させることができるか？
• RQ2 U-Netアーキテクチャにおける複数スケールでのディープスーパービジョンは、階層的特徴学習にどのように影響を与えるか？
• RQ3 ハイブリッド損失関数と分類ガイド付きモジュールは、過剰分類を低減させ、境界の正確性を向上させることができるか？
• RQ4 UNet 3+ は、UNet++ や他の変種と比較して、スケールが異なる臓器の分類においてどの程度優れているか？
• RQ5 提案されたアーキテクチャは、分類精度を向上させる一方で、モデルパラメータを維持または削減できるか？

主な発見

• UNet 3+ は2つの医療画像分類データセットで最先端のパフォーマンスを達成し、UNet や UNet++ と比較して一貫した改善を示した。
• 分類ガイド付きモジュールのおかげで、ベースラインモデルと比較して非臓器領域の過剰分類が15〜20％低減された。
• ハイブリッド損失関数により、収束が速くなり、特に小さなまたは不規則な形状の臓器において、Diceスコアが向上した。
• UNet++ と比較して、ネットワークパラメータを約18％削減し、精度を損なわず計算効率を向上させた。
• フルスケールスキップ接続により特徴統合が顕著に向上し、小さな臓器ではDice係数が3〜5％の絶対的向上が達成された。
• 多様な解剖的構造とスケールにわたり頑健であり、特に低コントラストまたは明確でない境界の分類において優れた性能を示した。