[論文レビュー] RUN:Residual U-Net for Computer-Aided Detection of Pulmonary Nodules without Candidate Selection

Tian Lan, Yuanyuan Li+3 more|arXiv (Cornell University)|May 30, 2018

Lung Cancer Diagnosis and TreatmentMedicine参考文献 25被引用数 20

ひとこと要約

本論文では、候補選択を必要とせず、1回のステップで低線量CTスキャンにおける肺結節をエンドツーエンドに検出可能な残差U-NetアーキテクチャであるRUNを提案する。残差学習をU-Netのエンコーダデコーダ構造に統合することで、LUNA16データセットにおいて2スキャンあたり2つの偽陽性で90.90%の感度を達成し、最先端の手法を上回った。

ABSTRACT

The early detection and early diagnosis of lung cancer are crucial to improve the survival rate of lung cancer patients. Pulmonary nodules detection results have a significant impact on the later diagnosis. In this work, we propose a new network named RUN to complete nodule detection in a single step by bypassing the candidate selection. The system introduces the shortcut of the residual network to improve the traditional U-Net, thereby solving the disadvantage of poor results due to its lack of depth. Furthermore, we compare the experimental results with the traditional U-Net. We validate our method in LUng Nodule Analysis 2016 (LUNA16) Nodule Detection Challenge. We acquire a sensitivity of 90.90% at 2 false positives per scan and therefore achieve better performance than the current state-of-the-art approaches.

研究の動機と目的

• 肺結節検出において候補選択の必要性を排除する深層学習フレームワークの開発。
• U-Netの深さと学習安定性を向上させることで、小形およびサイズがばらつきのある結節の検出精度を向上。
• ボリュメトリックCTスキャンから1つの統合ネットワークを用いてエンドツーエンドの結節検出を実現。
• LUNA16ベンチマーク上で手法を検証し、低偽陽性率での高い感度を通じて臨床的妥当性を示すこと。

提案手法

• 勾配消失問題の緩和を図るため、残差学習ブロックをU-Netのエンコーダデコーダアーキテクチャに統合し、より深いネットワークの学習を可能に。
• 残差ネットワークのスキップ接続（ショートカット）を用いて特徴マップを保持し、バックプロパゲーション中の勾配の流れを改善。
• パッチの切り出しではなく、全スライスを入力として処理することで、空間的文脈を保持し、空間情報の損失による偽陽性を低減。
• 空間的文脈の影響を評価するため、単スライスおよびマルチスライス入力を用いたマルチスケールトレーニング戦略を採用。
• 分類と局在化の両方を最適化するため、交差エントロピー損失とDice係数を用いてエンドツーエンドでネットワークを学習。
• ノイズ低減、しきい値処理およびモルフォロジカル操作による肺領域分離、画像正規化などの前処理手順を適用。

実験結果

リサーチクエスチョン

• RQ1 残差U-Netアーキテクチャは、小形およびサイズがばらつきのある肺結節の検出において、標準的なU-Netを上回ることができるか？
• RQ2 候補選択段階を排除することで、検出性能が向上し、CADパイプラインが簡素化されるか？
• RQ3 パッチベース入力と比較して、フルスライス入力が検出感度および偽陽性率に与える影響は何か？
• RQ4 U-Netに残差学習を統合することで、困難な結節におけるセグメンテーション精度と一般化性能が顕著に向上するか？

主な発見

• RUNはLUNA16データセットにおいて、2スキャンあたり2つの偽陽性で90.90%の感度を達成し、現在の最先端手法を上回った。
• 標準U-Net（66%）と比較して、Dice係数が6%向上（71.9%）し、優れたセグメンテーション性能を示した。
• 特に小結節において、標準U-Netおよびデュアルパス残差U-Netを上回るセグメンテーション精度を示した。
• 0.11偽陽性/スキャンで79.05%の感度を達成し、偽陽性率が低い状況でも優れた性能を示した。
• マルチスライストレーニングは空間的文脈の認識を向上させたが、非常に小さな結節に対しては誤った学習のリスクを伴うため、サイズに応じたスライス選択の必要性が示唆された。