3D U-Net based Kidney tumor segmentation With Plane Attention Module

다국어 초록 (Multilingual Abstract)

Three-dimensional (3D) medical image segmentation involves partitioning a 3D medical image into distinct regions, each representing specific anatomical structures or classes. This paper introduces the plane attention module (PAM), targeting precise regions within 3D images by emphasizing plane-aware relationships and spatial information. Compatible with FCNN-based models like 3D U-Net, our architecture serves as an attention module. We evaluated its effectiveness utilizing the Kidney Tumor Segmentation Challenge 2023 dataset (KiTS 2023), specifically targeting tumor segmentation in abdominal computed tomography scans. Integrating the PAM into the 3D U-Net at encoder layer stage, we compared its performance with other attention modules and a robust baseline network. Results demonstrate that the 3D U-Net equipped with the PAM achieves an average 3.8-point Dice score improvement over the 3D U-Net baseline model.

국문 초록 (Abstract)

3차원 의료영상 (CT,MRI) 이미지는 주로 객체 탐지를 위한 의미론적 분할 모델이 사용된다. 이러한 알고리즘은 압축된 데이터 표현을 배움으로서 영상 데이터에서의 배경 및 실제 예측 하려는 병변에 대한 탐지를 한다. 이러한 영상 데이터가 가지는 특징으로서는 찾고자 하는 병변이 실제 전 영역 대비하여 아주 불균형적으로 분포해 있다는 것이며 이러한 특징으로 인하여 이러한 불균형은 예측 값의 성능을 낮추는 효과를 가져온다. 그리고 3차원 의료영상은 기존의 2차원 이미지를 바탕으로 한 의미론적 분할 모델과는 달리 각 평면상의 방향에 따라 실제 병변의 모양 및 형태가 달라진다. 이러한 3차원 데이터의 초점에 맞춘 모델을 설계하는 방법은 없을까? 라는 질문으로부터 시작하여 본 연구에서는 각 평면의 방향에 대한 Attention 기법인 Plane Attention Module 을 제시한다. 본 방법론은 기존의 3차원 영상에서의 의미론적 분할 모델의 일반적인 형태의 Encoder-Decoder 모델에서 대표적으로 쓰이는 모델인 3D U-Net 을 바탕으로 하여 Encoder Part의 압축된 데이터 표현을 세분화 하는 데 집중하였다. 본 연구에서는 해당 방법을 통하여 신장암 검출에 있어서 기존 방법론을 능가하는 분할 성능을 달성함을 보여준다. 또한 이러한 결과를 다른 모델들의 결과들과 시각화를 하여 비교하였다.

목차 (Table of Contents)

• Chapter 1. INTRODUCTION １
• 1.1. Background １
• 1) Medical imaging １
• 2) Medical image segmentation ２
• 1.2. Research purpose ４
• Chapter 2. RELATED WORK ５
• 2.1. Biomedical grand challenges ５
• 2.2. 3D semantic segmentation ６
• 2.3. 3D CNN architectures ７
• 2.4. Attention module ９
• Chapter 3. PROPOSED APPROACH １０
• 3.1. Plane attention module １０
• 3.2. Network architecture １４
• Chapter 4. EXPERIMENTS AND RESULTS １６
• 4.1. Dataset description １６
• 4.2. Implementation details ２０
• 1) Pre-process ２０
• 2) Network architecture ２０
• 3) Loss function and strategy ２１
• 4) Evaluation ２２
• 4.2. Comparison with other methods ２３
• Chapter 5. DISCUSSION ２６
• 5.1. Ablation study ２６
• 5.2. Qualitative analysis ２９
• Chapter 6. CONCLUSION ３０
• References ３１