[論文レビュー] Lung Nodules Detection and Segmentation Using 3D Mask-RCNN

Evi Kopelowitz, Guy Engelhard|arXiv (Cornell University)|Jul 17, 2019

Lung Cancer Diagnosis and Treatment参考文献 13被引用数 38

ひとこと要約

論文は MaskRCNN を 3D CT スキャンに適用し、肺結節を検出・セグメンテーションをエンドツーエンドで実現し、LUNA16 で検出とセグメンテーションの競合的性能を達成します。

ABSTRACT

Accurate assessment of Lung nodules is a time consuming and error prone ingredient of the radiologist interpretation work. Automating 3D volume detection and segmentation can improve workflow as well as patient care. Previous works have focused either on detecting lung nodules from a full CT scan or on segmenting them from a small ROI. We adapt the state of the art architecture for 2D object detection and segmentation, MaskRCNN, to handle 3D images and employ it to detect and segment lung nodules from CT scans. We report on competitive results for the lung nodule detection on LUNA16 data set. The added value of our method is that in addition to lung nodule detection, our framework produces 3D segmentations of the detected nodules.

研究の動機と目的

• 自動化されたエンドツーエンドの 3D 検出とセグメンテーションを肺結節に対して動機づけ、放射線科医のワークフローと測定精度を改善する。
• MaskRCNN を 3D 医用画像と小さなオブジェクト検出に拡張する。
• モデルが検出とともに 3D 結節セグメンテーションを提供できることを示す。
• LUNA16 における既存手法や放射線科医のベンチマークと比較して検出性能を評価する。
• 予測体積とグラウンドトゥルース体積の相関を評価する。

提案手法

• 128^3 パッチ入力とボクセル間隔 0.5 mm で 2D MaskRCNN アーキテクチャを 3D CT データへ適用する。
• 解像度を保持するために atrous 畳み込みを用いた 3D Inception-ResNet-v2 バックボーンを使用する。
• Nodules を提案・洗練するために 3D RPN と ROI Align を用い、3D セグメンテーションの MASK ヘッドを備える。
• 分類には focal loss、MASK セグメンテーションヘッドには IOU loss を用いてエンドツーエンドで学習する。
• 過学習を緩和するために 10-fold クロスバリデーションと重いデータ拡張を実施する。
• 偽陽性を減らすための FP 除去、肺マスクフィルタリングを用いた重複ウィンドウ推論を適用する。

実験結果

リサーチクエスチョン

• RQ1 CT スキャンから肺結節を検出・セグメントできる単一のエンドツーエンド 3D ネットワークは効果的か。
• RQ2 3DMaskRCNN が LUNA16 で達成する検出指標（例：CPM、感度、FP 率）はどの程度か。
• RQ3 3DMaskRCNN のセグメンテーション性能（DSC）は放射線科医や他の手法と比較してどうか。
• RQ4 予測結節体積とグラウンドトゥルース体積との間に強い相関があるか。
• RQ5 後処理ステップ（ FP 減少、肺マスキング）が性能に与える影響は何か。

主な発見

• 3DMaskRCNN は FP 削減ありで CPM = 0.86、FP 削減なしで 0.826 を達成。
• 感度、スキャンあたりの FP、CPM はいくつかの以前の手法および放射線科医ベンチマークと比較して競合するか、またはそれを上回る。
• 3DMaskRCNN のセグメンテーションの DSC は 70±10 で、放射線科医（76±16）および他の手法（直径での CNN 79±19; PN-SAMP-S1 74±3.57）に近い。
• モデルは予測結節体積とグラウンドトゥルース体積の間に強い相関（0.96）を示す。
• 境界の Hausdorff 距離は 2.49 mm ± 2.05 mm であり、小さなオブジェクトサイズによって境界精度が制限されていることを示唆。
• 3DMaskRCNN は検出と完全な 3D セグメンテーションを単一のエンドツーエンドフレームワークで提供し、LUNA16 で競争力のある性能を示す。