[논문 리뷰] 2D-Densely Connected Convolution Neural Networks for automatic Liver and Tumor Segmentation

Krishna Chaitanya Kaluva, Mahendra Khened외 2명|arXiv (Cornell University)|2018. 01. 05.

Advanced Neural Network Applications참고 문헌 6인용 수 68

한 줄 요약

논문은 자동 간 및 종양 분할을 위한 CT 이미지용 이단계 연쇄 DenseNet 기반 프레임워크를 제안하며 테스트 세트에서 간 다이스 0.923 및 종양 다이스 0.625를 달성한다. 간 localization을 사용해 간 영역 내 종양 분할을 안내하고, 경계 정확도 향상을 위해 가중 손실 및 후처리를 사용한다.

ABSTRACT

In this paper we propose a fully automatic 2-stage cascaded approach for segmentation of liver and its tumors in CT (Computed Tomography) images using densely connected fully convolutional neural network (DenseNet). We independently train liver and tumor segmentation models and cascade them for a combined segmentation of the liver and its tumor. The first stage involves segmentation of liver and the second stage uses the first stage's segmentation results for localization of liver and henceforth tumor segmentations inside liver region. The liver model was trained on the down-sampled axial slices $(256 imes 256)$, whereas for the tumor model no down-sampling of slices was done, but instead it was trained on the CT axial slices windowed at three different Hounsfield (HU) levels. On the test set our model achieved a global dice score of 0.923 and 0.625 on liver and tumor respectively. The computed tumor burden had an rmse of 0.044.

연구 동기 및 목표

• CT 볼륨에서 간과 그 종양을 자동으로 분할하는 방법 개발.
• 간 분할이 종양 분할 영역을 국소화하는 이단계 연쇄 접근법을 활용.
• 한정된 데이터에서 특징 재사용을 강화하기 위해 DenseNet 기반 FCN 구조를 사용.

제안 방법

• 먼저 간을 분할한 뒤 간 영역 내에서 종양을 분할하는 이단계 연쇄 프레임워크를 채택한다.
• 4-layer dense blocks 및 down-sampling과 up-sampling을 위한 transition layers를 포함한 DenseNet 기반 FCN 블록을 사용한다.
• 256x256 축 슬라이스로 축소된 간 모델을 학습하고; full-size 슬라이스로 종양 모델을 학습하며 입력으로 세 가지 다른 HU 윈도우를 사용한다.
• 간 경계 정확도 향상을 위해 에지-가중 맵을 이용한 공간 가중 교차 엔트로피 손실을 사용한다; 종양에 대해서는 dice 손실을 포함하는 혼합 손실을 사용한다.
• 간 예측에서 허위 양성 감소를 위한 침식, 가장 큰 연결 구성요소, 팽창 등 후처리를 적용한다.

실험 결과

연구 질문

• RQ1 단계별 위치지정을 사용하는 DenseNet 기반 FCN이 CT 데이터에서 간 및 종양을 정확하게 분할할 수 있는가?
• RQ2 다중 윈도우 HU 입력이 단일 채널 입력에 비해 종양 경계 학습을 향상시키는가?
• RQ3 간 및 종양 분할에서 클래스 불균형 및 경계 정확도에 가장 잘 대응하는 손실 형식은 무엇인가?
• RQ4 간 분할에서 허위 양성을 최적으로 줄이는 후처리 단계는 무엇인가?
• RQ5 제안된 방법이 LITS MICCAI-2017 데이터세트에서 어떻게 수행하는가?

주요 결과

• 14-테스트 볼륨 세트에서 간 분할 평균 다이스 점수 0.923를 달성했다.
• 동일 테스트 세트에서 종양 분할 평균 다이스 점수 0.625를 달성했다.
• 종양 부담 추정은 테스트 세트에서 RMSE 0.044를 얻었다.
• 간-유도 종양 위치지정이 제안된 2단계 cascade가 간 영역 내 분할을 개선했다.
• 종양에 대해 3채널 HU-윈도우 입력을 사용하면 단일 채널 접근법에 비해 경계 학습이 향상되었다.
• 공간 가중 교차 엔트로피와 dice 손실의 결합이 교차 엔트로피만을 사용할 때보다 겹침이 더 좋았다.