FusionNet - A deep fully residual convolutional neural network for image segmentation in connectomics

convolutional
segmentation
2016

#1

U-Net 에 이어 Medical Image Segmentation에 좋은 성능을 보여주는 네트워크 구조입니다.

조금 다른 점은, 커넥텀(뇌지도, connectomics)과 관련한 문제를 풀기 위해 제안한 것이라 augmentation이나 instance segmentation 관련한 부분에서는 U-Net과 같은 자세한 구조 설계는 없는 것 같습니다.

그러나 CNN의 Depth를 키우기 위해 Residual이 효과적인 것이 증명되었던 것처럼, U-Net 구조에서 depth를 키우기 위해 residual을 사용한 것이 이 논문의 핵심 중 하나라고 보면 될 것 같습니다.

Residual 에 대한 설명은 아래를 참고하세요.

Network Architecture

위쪽 절반은 Encoding Path로 640x640 이미지를 40x40 피쳐맵으로 줄이는 과정이고, 나머지는 반대로 40x40 피쳐맵이 640x640 결과로 만들어지는 Decoding Path 입니다. Encoding Path에서는 Max Pooling을 이용해 피쳐 사이즈를 반복적으로 줄이고, Decoding Path에서는 Deconvolution을 사용해 반복적으로 늘립니다.

U-Net과 두드러지는 차별성은 역시 Skip Connection입니다. Decoding Path의 각 Block은 Encoding Path의 같은 사이즈 피쳐를 Residual Connection으로 전달받는 구조입니다. 또 각 Convolution Block 내에도 Residual Connection이 존재합니다. 이렇게 짧고, 긴 2가지 종류의 Residual Connection으로 네트워크가 구성되어 있습니다.

U-Net과 FusionNet 차이를 도식화한 그림입니다. 왼쪽의 U-Net은 Skip Connection(Residual)이 아니라, Feature concatenation입니다. 즉, 이전 레이어의 Feature를 추가적으로 사용하는 구조입니다. FusionNet에서는 이전 레이어의 Feature를 현 레이어의 Feature에 ‘더하는’ 구조입니다.

Augmentations

U-Net에서와 마찬가지로 Elastic Deformation 등의 Augmentation을 사용했는데, 구체적으로 Rotation, Gaussian Noise 등 어떻게 Augment 했는지가 나와 있습니다. 또 미러패딩을 통해 Border 근처에서 잘 처리될 수 있도록 했습니다.

Results

EM Dataset에서의 결과입니다. U-Net에 비해 약간 향상됨을 확인할 수 있습니다.

image

U-Net 대비 False-Positive가 적고 Segmentation이 좀 더 정확하다고 주장합니다.


'Segmentation' 카테고리의 설명