SegAN: 다중 스케일 $L_1$ 손실을 사용한 의료 이미지 세그멘테이션을 위한 적대적 네트워크

클래식 생성적 적대 네트워크(GAN)에서 영감을 받아, 의료 이미지 분할 작업을 위한 새로운 엔드투엔드 적대 신경망인 SegAN을 제안합니다. 이미지 분할은 밀도가 높고 픽셀 단위의 라벨링이 필요하기 때문에, 클래식 GAN의 판별기에서 나오는 단일 스칼라 진짜/가짜 출력은 안정적이고 충분한 그래디언트 피드백을 제공하는 데 효과적이지 않을 수 있습니다. 대신, 우리는 완전히 합성곱 신경망을 세그멘터로 사용하여 분할 라벨 맵을 생성하고, 전역 및 국부 특성을 학습하여 픽셀 간의 장거리와 단거리 공간 관계를 포착하도록 하는 새로운 다중 규모 $L_1$ 손실 함수를 가진 적대 비평 네트워크를 제안합니다.SegAN 프레임워크에서는 세그멘터와 비평 네트워크가 최소-최대 게임에서 번갈아 가며 훈련됩니다: 비평 네트워크는 (원본 이미지 * 예측된 라벨 맵, 원본 이미지 * 실제 라벨 맵) 이미지 쌍을 입력으로 받고, 다중 규모 손실 함수를 최대화하여 훈련됩니다; 세그멘터는 비평 네트워크로부터 전달되는 그래디언트만으로 훈련되며, 다중 규모 손실 함수를 최소화하는 것을 목표로 합니다. 우리는 이러한 SegAN 프레임워크가 분할 작업에 더 효과적이고 안정적이며, 최신 U-net 분할 방법보다 더 우수한 성능을 보인다는 것을 증명하였습니다.MICCAI BRATS 뇌 종양 분할 도전 과제의 데이터셋을 사용하여 SegAN 방법을 테스트하였습니다. 광범위한 실험 결과는 제안된 SegAN과 다중 규모 손실이 효과적임을 입증하였습니다: BRATS 2013에서 SegAN은 전체 종양과 종양 핵 분할에서 최신 기술과 유사한 성능을 보였으며, Gd 강화 종양 핵 분할에서는 더 나은 정밀도와 민감도를 달성하였습니다; BRATS 2015에서는 SegAN이 주사율(Dice score)과 정밀도 모두에서 최신 기술보다 더 우수한 성능을 보였습니다.