[論文レビュー] U-Det: A Modified U-Net architecture with bidirectional feature network for lung nodule segmentation

Nikhil Keetha, Samson Anosh Babu Parisapogu+1 more|arXiv (Cornell University)|Mar 20, 2020

Lung Cancer Diagnosis and Treatment被引用数 29

ひとこと要約

U-Det は、Mish 活性化関数とクラス重み付き損失を用いて、CT 画像における肺結節のセグメンテーションを向上させるために、双方向特徴ネットワーク（Bi-FPN）を組み込んだ変更版 U-Net アーキテクチャを提案する。LUNA16 データセットにおいて 82.82% の Dice 類似係数を達成し、人間の専門家や既存のモデルを上回る性能を示し、特に小さな、困難な結節において顕著な向上を示した。

ABSTRACT

Early diagnosis and analysis of lung cancer involve a precise and efficient lung nodule segmentation in computed tomography (CT) images. However, the anonymous shapes, visual features, and surroundings of the nodule in the CT image pose a challenging problem to the robust segmentation of the lung nodules. This article proposes U-Det, a resource-efficient model architecture, which is an end to end deep learning approach to solve the task at hand. It incorporates a Bi-FPN (bidirectional feature network) between the encoder and decoder. Furthermore, it uses Mish activation function and class weights of masks to enhance segmentation efficiency. The proposed model is extensively trained and evaluated on the publicly available LUNA-16 dataset consisting of 1186 lung nodules. The U-Det architecture outperforms the existing U-Net model with the Dice similarity coefficient (DSC) of 82.82% and achieves results comparable to human experts.

研究の動機と目的

• 結節の形状・サイズのばらつきや複雑な周囲構造の影響により、CT 画像における肺結節セグメンテーションが困難であるという課題に対処する。
• 従来の手法や標準的な U-Net が、小さな結節、血管寄り結節、胸膜寄り結節、グランドグラスエフェクト（GGO）結節の処理において抱える限界を克服する。
• 多スケール特徴の統合と効率的な学習メカニズムを用いて、特徴抽出とセグメンテーション精度を向上させる。
• LUNA16 ベンチマークデータセットにおいて、放射線科医の水準またはそれ以上の性能を達成する。

提案手法

• U-Net のエンコーダーとデコーダーの間に二方向特徴ネットワーク（Bi-FPN）を統合し、多スケール特徴の統合を可能にするとともに、特徴表現を強化する。
• 標準的な活性化関数の代わりに、Mish 活性化関数を採用することで、勾配の流れを改善し、モデルの表現力向上を図る。
• 学習中にマスクにクラス重み付き損失を適用し、クラスの不均衡に対処し、小さなまたはレアな結節のセグメンテーション精度を向上させる。
• データオーグメンテーション技術を用いて、LUNA16 データセットが比較的小さめであることに起因する過学習を軽減し、汎化性能を向上させる。
• 特徴エンコーディングとデコーディングに U-Net バックボーンを用い、空間的詳細を保持するためのスキップ接続を維持する。
• LUNA16 データセット上でエンドツーエンドのモデルを学習し、888 例の CT スキャンに合計 1186 個の肺結節が含まれる。

実験結果

リサーチクエスチョン

• RQ1 二方向特徴ネットワーク（Bi-FPN）を備えた変更版 U-Net は、小さな結節や困難なタイプの肺結節に対しても、セグメンテーション精度を向上させることができるか？
• RQ2 Mish 活性化関数とクラス重み付き損失の統合が、モデルの収束性とセグメンテーション性能に与える影響は何か？
• RQ3 標準的なスキップ接続と比較して、Bi-FPN は多スケール特徴統合をどの程度向上させるか？
• RQ4 提案された U-Det モデルは、放射線科医の性能と同等またはそれを上回る肺結節セグメンテーション性能を達成できるか？
• RQ5 U-Det は、空洞性結節、グランドグラスエフェクト（GGO）結節、胸膜寄り結節といった特定の困難な症例において、どの程度の性能を示すか？

主な発見

• U-Det は LUNA16 テストセットで 82.82% の Dice 類似係数（DSC）を達成し、人間の専門家平均（82.25%）を上回った。
• 小さな結節（径 <6 mm）においても優れた性能を示し、DSC は 83.40% を記録した。これは、早期段階の結節検出に優れた能力を示している。
• 付着結節（血管寄りおよび胸膜寄り）では DSC が 81.82% に達し、困難な解剖的状況下でも安定した性能を示した。
• 感度は 92.24%、陽性予測値（PPV）は 78.92% を達成し、高い検出率と精度を示した。
• 可視化結果から、U-Det は小さな結節、空洞性結節、GGO 結節を効果的にセグメンテーションできており、従来手法では困難なケースに対しても有効であることが確認された。
• U-Det は、DB-ResNet（82.74% DSC）、FCN-UNET（77.84% DSC）、および他の CNN に基づくアーキテクチャと比較して、セグメンテーション精度において優れた性能を示した。