SAUNet: Shape Attentive U-Net for Interpretable Medical Image Segmentation / forpes.ru

Главная
SAUNet: Shape Attentive U-Net for Interpretable Medical Image Segmentation

SAUNet: Shape Attentive U-Net for Interpretable Medical Image Segmentation +3

18.05.2022 18:50

badger239 0 441 Источник

Все чаще для сегментации изображений используется глубокое обучение и сверточные нейронные сети. В случае медицинских картинок достаточно сильно проявляются основные проблемы этого метода: не хватает робастности и интерпретируемости. Происходит это в основном из-за того, что CNN обучаются на текстуре изображения, а не на форме, или требуются дополнительные вычисления post hoc, которые, как было показано, ненадежны с точки зрения интерпретируемости.

В статье SAUNet: Shape Attentive U-Net for Interpretable Medical Image Segmentation авторы (Jesse Sun, Fatemeh Darbehani, Mark Zaidi, Bo Wang) предлагают добавить к модели U-Net второй поток данных о форме, а также использовать dual-attention декодер. Такой метод позволил получить очень хорошие результаты на датасетах изображений МРТ сердца SUN09 и AC17, обеспечивая высокую интерпретируемость при различных разрешениях.

Работа опирается на последние достижения в области моделей channel-attention с использованием модулей сжатия и возбуждения, предложенных Hu и др., и spatial attention c оценкой внимания, предложенных Jetley и др..

Суть подхода

ASAUNet состоит из двух потоков: texture stream и gated shape stream.

Texture stream

Текстурный поток имеет структуру U-Net, но энкодер заменен на структуру блоков из DenseNet-121, которые похожи на TiramisuNet. Также авторы предлагают декодер двойного внимания собственной разработки.

Dual attention decoder block

Этот блок объединяет карты, выдаваемые энкодером, с картами декодера с более низким разрешением, которые захватывают больше контекстной и пространственной информации.
Особенно для медицины важно понимать, основываясь на каких особенностях, модель принимает решения.

Авторы предлагают следующую структуру этого блока:

стандартная нормализованная свертка $3\times 3$
spatial attention path
channel-wise attention path

Spatial Attention Path

Как раз используется для большей интерпретируемости решений. Состоит из двух сверток $1\times 1$ , первая и каналов получает $\tfrac{C}{2}$ , вторая 1. Далее применяется сигмоида для вложения в отрезок . Затем складываем копий в один канал для дальнейшего умножения.

Channel Attention Path

Состоит из модуля сжатия и внимания, выдает коэффициент сжатия для каждого канала, затем масштабирует на него.

Gated shape stream

Второй поток обрабатывает информацию о форме и границах, используя объекты, обработанные энкодером из первого потока текстур.
На каждом шаге данные из U-Net модели передаются в Shape Stream, где вычисляется карта внимания границ $\alpha_l$ по следующей формуле:

$\alpha_l = \sigma\Bigl( C_{1\times 1} (S_l \| C_{1\times 1}(T_t))\Bigr)$

где $\sigma$ - сигмоидная функция, $\|$ - конкатенация карт по каналам, и - feature maps из потоков, $C_{1\times 1}$ - нормализованная свертка $1\times 1$ .

Feature map следующего слоя этого потока получают применением Residual блока, состоящего из двух нормализованных конволюций $3\times 3$ с skip-connection, к предыдущему, поэлементно домноженному на $\alpha_l$ :

$S_{l+1} = R(S_l \otimes \alpha_l)$

Функция потерь

Состоит из обычной функции кросс энтропии и dice loss, вычисляющей перекрытие и сходство между двумя наборами.

Первая определена как

$L_{CE} (\hat y, y) = \frac{1}{\lvert \Omega \rvert} \sum_i^{\Omega} - y_i \log (\hat y_i) - (1-y_i) \log(1-\hat y_i)$

Вторая

$L_{Dice} (\hat y, y) = 1 - \frac{2}{K} \sum_k^{K-1} \frac{\sum_i^{\Omega} y^k \hat y_i^k}{\sum_i^{\Omega} y_i^k + \hat y_i^k},$

где- количество классов, аобозначает-й пиксель-го индексированного класса матрицы.

Также определим $L_{Edge}$ - двоичная кросс энтропия предсказанных границ.

Итоговая функция потерь имеет вид

$L_{total} = \lambda_1 L_{CE} + \lambda_2 L_{Dice} + \lambda_3 L_{Edge},$

где $\lambda_1, \lambda_2, \lambda_3$ - гиперпараметры. Авторы используют их равными единице, и все работает хорошо, при этом утверждают, что если занулить один из гиперпараметров, модель плохо и медленно обучается.

Эксперименты

Эксперименты проводились на двух датасетах:

SUN09, два класса (endocardium, epicardium), всего 260 и 135 соответственно двумерных MРT кадров 128 на 128 пикселей. Все модели работали 120 эпох, с размером батча 4.
AC17, 200 наборов МРТ снимков от 100 уникальных пациентов с разрешением 256 на 256, 180 эпох.

Дополнительно авторы провели сравнение на втором датасете, подтверждающее эффективность дополнительного потока.

Итоговые оценки на датасетах получились следующие:

Интерпретируемось

Для получения карты значимости каждого изображения с использованием модели SmoothGrad приходится прогонять модель 25-50 раз вперед-назад, из-за этого на все 384 изображения ушло 24 минуты. А для модели авторов всего 20 секунд! Кроме этого новый метод предлагает и методы определения значимости на разных уровнях и разрешениях, которые другие модели, основанные на градиенте, не предлагают.

Пример приведен ниже:

Заключение

Получилась неплохая модель, особенно учитывая, что она гораздо проще интерпретируемая, чем ее предшественники, поэтому авторы надеются, что приблизили методы глубокого обучения к клиническому применению, обещают проделать дополнительную работу по интерперетируемости.

P.S.
Этот пост написан для https://github.com/spbu-math-cs/ml-course