[논문 리뷰] 2.75D Convolutional Neural Network for Pulmonary Nodule Classification in Chest CT.

Ruisheng Su, Hui Xie외 1명|arXiv (Cornell University)|2020. 02. 11.

Lung Cancer Diagnosis and Treatment참고 문헌 20인용 수 2

한 줄 요약

이 논문은 흉부 CT에서 폐 결절 분류를 위한 2.75D 컨volution 신경망을 제안한다. 결절 중심에서 시작하는 나선형 스캔 방식의 반경 방향 투영을 통해 3차원 공간적 맥락을 전방위적으로 포착한다. 이 방법은 3D 네트워크보다 메모리 사용을 줄이면서도 2D 및 2.5D 기준선보다 뛰어난 성능을 보이며, LUNA16 데이터셋에서 더 빠른 학습 및 추론을 가능하게 하면서도 경쟁 가능한 성능을 달성한다.

ABSTRACT

Early detection and classification of pulmonary nodules in Chest Computed tomography (CT) images is an essential step for effective treatment of lung cancer. However, due to the large volume of CT data, finding nodules in chest CT is a time consuming thus error prone task for radiologists. Benefited from the recent advances in Convolutional Neural Networks (ConvNets), many algorithms based on ConvNets for automatic nodule detection have been proposed. According to the data representation in their input, these algorithms can be further categorized into: 2D, 3D and 2.5D which uses a combination of 2D images to approximate 3D information. Leveraging 3D spatial and contextual information, the method using 3D input generally outperform that based on 2D or 2.5D input, whereas its large memory footprints becomes the bottleneck for many applications. In this paper, we propose a novel 2D data representation of a 3D CT volume, which is constructed by spiral scanning a set of radials originated from the 3D volume center, referred to as the 2.75D. Comparing to the 2.5D, the 2.75D representation captures omni-directional spatial information of a 3D volume. Based on 2.75D representation of 3D nodule candidates in Chest CT, we train a convolutional neural network to perform the false positive reduction in the nodule detection pipeline. We evaluate the nodule false positive reduction system on the LUNA16 data set which contains 1186 nodules out of 551,065 candidates. By comparing 2.75D with 2D, 2.5D and 3D, we show that our system using 2.75D input outperforms 2D and 2.5D, yet slightly inferior to the systems using 3D input. The proposed strategy dramatically reduces the memory consumption thus allow fast inference and training by enabling larger number of batches comparing to the methods using 3D input.

연구 동기 및 목표

• 흉부 CT에서 폐 결절 분류를 위한 3D 컨volution 네트워크의 높은 메모리 소비 문제를 해결하기 위해.
• 2.5D 방법보다 더 rich한 공간적 맥락을 활용하여 결절 검출 파이프라인의 가짜 양성 감소 성능을 향상시키기 위해.
• 2D 투영을 통해 전방위적인 3D 정보를 포착하면서도 계산 비용을 최소화하는 데이터 표현 방식을 개발하기 위해.
• 3D 입력 방식에 비해 메모리 프로파일을 줄여 더 빠른 학습 및 추론을 가능하게 하기 위해.
• LUNA16 데이터셋에서 제안된 2.75D 표현 방식을 2D, 2.5D, 3D 기준선과 비교 평가하기 위해.

제안 방법

• 2.75D 표현은 3D 결절 후보의 중심에서 나선형 스캔을 수행하여 반경 방향 투영을 생성함으로써 전방위적인 3D 공간적 맥락을 유지한다.
• 각 2.75D 입력은 결절 중심에서 발행하는 반경선을 따라 샘플링하여 생성된 2D 이미지들의 집합이며, 효과적으로 2D 형식으로 3D 구조를 근사한다.
• 이러한 2.75D 입력에 대해 3D 유사 컨볼루션 네트워크를 학습시켜 결절을 분류하고 검출 파이프라인에서 가짜 양성을 감소시킨다.
• 전체 3D 입력에 비해 메모리 소비가 감소함에 따라 학습 중 더 큰 미니배치 크기를 사용할 수 있다.
• 모델은 551,065개의 후보 중 1,186개의 진짜 결절을 포함한 LUNA16 데이터셋에서 평가된다.
• 가짜 양성 감소를 위한 표준 지표를 사용하여 2D, 2.5D, 3D 기반 모델과 직접 비교 평가한다.

실험 결과

연구 질문

• RQ1 2.5D 방법보다 더 포괄적인 3D 공간적 맥락을 포착하면서도 낮은 메모리 사용을 유지할 수 있는가?
• RQ2 2D, 2.5D, 3D 입력 방식과 비교할 때 2.75D 표현 방식은 폐 결절의 가짜 양성 감소 성능에서 어떻게 성과를 내는가?
• RQ3 3D 네트워크에 비해 2.75D 접근 방식은 얼마나 메모리 소비를 줄이고 학습/추론 속도를 향상시키는가?
• RQ4 실제 임상 적용에 더 실용적인 방법이면서도 3D 모델 수준의 성능을 거의 달성할 수 있는가?
• RQ5 2.75D 표현 방식은 더 큰 배치 크기를 허용함으로써 더 안정적이고 빠른 수렴을 이끌 수 있는가?

주요 결과

• 2.75D 표현 방식은 LUNA16 데이터셋에서 2D 및 2.5D 방법보다 폐 결절의 가짜 양성 감소 성능에서 뛰어난 성능을 보였다.
• 제안된 2.75D 모델은 3D 입력 기반 모델의 성능에 약간 미치지 못하지만, 메모리 사용이 크게 줄어들었다.
• 낮은 메모리 프로파일 덕분에 더 빠른 학습 및 추론이 가능했으며, 3D 기반 접근 방식보다 더 큰 배치 크기를 사용할 수 있었다.
• 나선형 스캔 반경 투영은 3D 볼륨으로부터 전방위적 공간 정보를 2D 형식으로 효과적으로 포착했다.
• 2.75D 접근 방식은 성능과 효율성 사이에 유리한 균형을 이룩하여 임상 환경에서의 실용적 구현에 적합하다.
• 모델은 LUNA16 벤치마크에서 강력한 일반화 능력을 보이며, 새로운 데이터 표현 방식의 효과성을 입증했다.