[論文レビュー] NoduleNet: Decoupled False Positive Reductionfor Pulmonary Nodule Detection and Segmentation

Hao Tang, Chupeng Zhang+1 more|arXiv (Cornell University)|Jul 25, 2019

Lung Cancer Diagnosis and Treatment参考文献 19被引用数 9

ひとこと要約

NoduleNetは、マルチタスク学習を用いて、肺結節の検出、偽陽性低減、およびセグメンテーションを統合的に行う、エンドツーエンドの3次元深層畳み込みニューラルネットワークである。検出と偽陽性低減のための分離された特徴マップと、セグメンテーションの精度を向上させるサブネットを採用することで、LIDCデータセット上で結節検出の正確性を10.27%向上させ、セグメンテーションのSOTAである83.10%のDice-Sørensen係数を達成した。

ABSTRACT

Pulmonary nodule detection, false positive reduction and segmentation represent three of the most common tasks in the computeraided analysis of chest CT images. Methods have been proposed for eachtask with deep learning based methods heavily favored recently. However training deep learning models to solve each task separately may be sub-optimal - resource intensive and without the benefit of feature sharing. Here, we propose a new end-to-end 3D deep convolutional neural net (DCNN), called NoduleNet, to solve nodule detection, false positive reduction and nodule segmentation jointly in a multi-task fashion. To avoid friction between different tasks and encourage feature diversification, we incorporate two major design tricks: 1) decoupled feature maps for nodule detection and false positive reduction, and 2) a segmentation refinement subnet for increasing the precision of nodule segmentation. Extensive experiments on the large-scale LIDC dataset demonstrate that the multi-task training is highly beneficial, improving the nodule detection accuracy by 10.27%, compared to the baseline model trained to only solve the nodule detection task. We also carry out systematic ablation studies to highlight contributions from each of the added components. Code is available at https://github.com/uci-cbcl/NoduleNet.

研究の動機と目的

• 肺結節の検出、偽陽性低減、およびセグメンテーションのための個別に訓練された深層学習モデルの非効率性と最適でない性能を是正すること。
• 対立する目的同士の干渉を避ける一方で、タスク間での特徴共有を向上させ、モデルの効率性と性能を向上させること。
• セグメンテーションマスクを活用して検出をガイドし、偽陽性を低減する統合的学習フレームワークを構築すること。
• 大規模な3次元胸部CTデータ上で、分離された特徴学習とセグメンテーションの精練の有効性を実証すること。

提案手法

• 結節検出、偽陽性低減、およびセグメンテーションのための共有特徴抽出バックボーンを持つマルチタスク3次元DCNNアーキテクチャを提案する。
• 分離された特徴マップを導入：1つは結節検出（局所化）用、もう1つは偽陽性低減（分類）用。これにより、タスク固有の特徴学習が可能になる。
• 初期のセグメンテーション予測を、より前の層からの特徴を用いて精練するセグメンテーション精練サブネットを採用する。
• 結節候補のスクリーニングに3次元リージョンプロポーザルネットワーク（RPN）を用い、その後に3次元分類器で偽陽性低減を実施する。
• 共有バックボーンとタスク固有のヘッドを用いたマルチタスク学習を実施し、すべてのコンponentsをエンドツーエンドで最適化する。
• 検出ブランチの分類および回帰ヘッドに、カーネルサイズ3×3×3および1×1×1の3次元畳み込み層を適用する。

実験結果

リサーチクエスチョン

• RQ1 個別に訓練されたモデルと比較して、結節検出、偽陽性低減、およびセグメンテーションの統合的学習は、全体的な性能を向上させるか？
• RQ2 検出と分類のための特徴マップを分離することで、干渉を低減し、特徴表現の質を向上させるか？
• RQ3 マルチタスク設定下で、セグメンテーション精練サブネットは、結節セグメンテーションの精度をどの程度向上させるか？
• RQ4 共有特徴を用いたマルチタスク学習は、単一タスク学習と比較して、検出正確性およびセグメンテーション品質の面で優れているか？
• RQ5 各アーキテクチャ的要素（例：分離特徴、精練サブネット）が最終的な性能に果たす寄与度は何か？

主な発見

• NoduleNetは、単一タスクのベースラインモデル（検出専用に訓練）と比較して、LIDCデータセット上で結節検出正確性を10.27%向上させ、CPMが87.27%に達した。
• 本モデルは、別個のセグメンテーションネットワークを必要とせず、結節セグメンテーションのSOTAである83.10%のDice-Sørensen係数（DSC）を達成した。
• アブレーションスタディにより、分離された特徴マップがタスク固有の特徴学習を可能にし、共有特徴マップと比較して検出正確性が最大1.5%向上することを確認した。
• セグメンテーション精練サブネットは、精練なしのベースラインと比較してDSCを1.3%向上させ、セグメンテーション精度の向上に有効であることを示した。
• NCSおよびFPRブランチの予測を統合することで、検出性能が0.7%〜1.0%向上し、異なるレベルの文脈的情報を組み合わせることの利点を確認した。
• 共有バックボーンを用いたマルチタスク学習は、すべてのコンponentsにおいて一貫して性能を向上させ、特徴共有が一般化性能と効率性を向上させることを示した。