3D U-Net: 희소 주석으로부터 밀도 있는 볼루메트릭 세그멘테이션 학습

본 논문은 희소 주석이 된 볼륨 이미지에서 학습하는 볼륨 분할 네트워크를 소개합니다. 이 방법의 두 가지 매력적인 사용 사례를 설명합니다: (1) 반자동 환경에서 사용자는 분할될 볼륨의 일부 슬라이스를 주석합니다. 네트워크는 이러한 희소한 주석을 통해 학습하여 밀도 높은 3D 분할을 제공합니다. (2) 완전 자동 환경에서는 대표적이고 희소하게 주석이 된 훈련 세트가 있다고 가정합니다. 이 데이터 세트로 훈련된 네트워크는 새로운 볼륨 이미지를 밀도 높게 분할합니다. 제안된 네트워크는 Ronneberger 등이 제시한 이전 U-Net 아키텍처를 확장하여 모든 2D 연산을 3D 연산으로 대체하였습니다. 구현은 훈련 중 효율적인 데이터 증강을 위해 즉시 탄성 변형(on-the-fly elastic deformations)을 수행합니다. 네트워크는 처음부터 끝까지(end-to-end) 처음부터 학습되며, 사전 학습된 네트워크가 필요하지 않습니다. 우리는 제안된 방법의 성능을 복잡하고 고도로 변동하는 3D 구조인 Xenopus 신장에서 시험하였으며, 두 가지 사용 사례 모두 좋은 결과를 얻었습니다.