Paper URL : https://arxiv.org/pdf/1802.06955.pdf

이번 논문에서 제안하는 모델은 두가지이며, RU-Net과 R2U-Net이라는 모델이다.
RU-Net은 U-Net 기반의 RCNN(Recurrent Convolutional Neural Network), R2U-Net은 U-Net 기반의 RRCNN(Recurrent Residual Convolution Neural Network)이다.

논문에서는 Recurrent와 RCNN 아키텍처를 사용하므로써, 보다 효율적인 모델이라고 말하며, U-Net과 동일한 수의 네트워크 매개변수를 갖지만 성능이 더 우수하다고 한다.

요약

1. 기존의 U-Net구조에 Recurrent와 RCNN 아키텍처를 사용했다.
2. RU-Net과 R2U-Net은 U-Net과 동일한 수의 네트워크 매개변수를 갖지만 성능이 더 우수하다.
3. 망막 혈관 분할, 피부암, 폐 분할 데이터에서 민감도, 특이도, 정확도, AUC 의 결과를 보았을 때, 높은 성능을 보였다.

RU-NET AND R2U-NET ARCHITECTURES

우선 네가지의 block 대해 알아보자.

a : U-Net의 block
b : RU-Net의 block
c : Residual convolutional block
b : R2U-Net의 block

모델에서 제안한 모델의 block은 b와 d 이며, a와 c는 기존 모델들의 block이다.

• (a) U-Net의 block

  전체적인 U-Net 구조는 아래와 같고 구조를 뜯어서 살펴보면,

  

  conv Layer + ReLu가 두개가 한 block이고, 이것이 반복되는 것을 알 수 있다. 이것이 U-Net의 기본 block이다.

• (b) RU-Net의 block

  RU-Net의 block은 위에 보이는 U-Net block에 Recurrent를 합쳐서 만든 구조인데, 여러 conv 연산이 하나의 커널 가중치를 공유해 여러번 반복해서 연산하는 구조다.

  

  현재 층의 출력을 다시 입력으로 받아 흐르는 구도이기 때문에, 적은 파라미터를 갖고도 더 좋은 성능을 낼 수 있다고 한다.

• (c) Residual convolutional block

  Residual Block은 정말 유명한데, 잔차 학습이라고도 불린다.

  

  그림을 보면 알 수 있듯, weight layer들을 통과한 $F(x)$ 와 통과하지 않는 $x$를 합하는 구조이며, 이 block들이 쌓이면 Residual Network(ResNet) 이라는 모델이 만들어진다.

• (d) R2U-Net의 block

  R2U-Net는 b + c 의 block을 합친 구조이다.

논문 모델의 최종 아키텍처는 아래 그림과 같다.

EXPERIMENTAL SETUP AND RESULTS

• 혈관 분할

  망막 혈관 segmentation을 위해 DRIVE, STARE 및 CHASH_DB1 세 가지 데이터를 사용하였고, 높은 정확도를 보였다.

  

  모델 별로 보자면 아래 그래프와 같다.

  

• 피부암 분할

  

• 폐 분할