HyperDense-Net: 다중 모드 이미지 분할을 위한 초밀집 연결 CNN

최근, 밀집 연결(dense connections)은 훈련 중 그래디언트 흐름과 암시적인 깊은 감독을 촉진하기 때문에 컴퓨터 비전 분야에서 많은 주목을 받고 있습니다. 특히, 각 레이어를 순방향으로 모든 다른 레이어와 연결하는 DenseNet은 자연 이미지 분류 작업에서 인상적인 성능을 보여주었습니다. 우리는 이러한 밀집 연결의 정의를 다중 모드 세그멘테이션 문제로 확장한 3D 완전 컨볼루션 신경망인 HyperDenseNet을 제안합니다. 각 영상 모드는 하나의 경로를 가지며, 밀집 연결은 동일한 경로 내의 레이어 쌍 간뿐만 아니라 서로 다른 경로 간의 레이어에서도 발생합니다. 이는 여러 모드를 모델링하는 것이 완전히 단일 결합 레이어(또는 추상화 수준)에 의존하는 기존의 다중 모드 CNN 접근 방식과 대조됩니다. 일반적으로 이 결합 레이어는 네트워크의 입력 또는 출력에서 이루어집니다. 따라서 제안된 네트워크는 모든 추상화 수준 내외에서 모드 간 더 복잡한 조합을 학습할 수 있는 완전한 자유도를 가지고 있으며, 이는 학습 표현력을 크게 증가시킵니다. 우리는 두 개의 서로 다른 고난도 다중 모드 뇌 조직 세그멘테이션 도전 과제인 iSEG 2017과 MRBrainS 2013에 대해 광범위한 평가 결과를 보고합니다. iSEG 2017은 6개월령 유아 데이터에 초점을 맞추고 있으며, MRBrainS 2013은 성인 이미지에 초점을 맞추고 있습니다. HyperDenseNet은 많은 최신 세그멘테이션 네트워크보다 상당한 개선을 가져왔으며, 두 벤치마크에서 모두 최상위 성능을 나타냈습니다. 또한, 우리는 특성 재사용에 대한 포괄적인 실험 분석을 제공하여 다중 모드 표현 학습에서 하이퍼 밀집 연결(hyper-dense connections)의 중요성을 확인하였습니다. 우리의 코드는 https://www.github.com/josedolz/HyperDenseNet에서 공개적으로 이용 가능합니다.