[논문 리뷰] 3D Anchor-Free Lesion Detector on Computed Tomography Scans

Ning Zhang, Dechun Wang외 5명|arXiv (Cornell University)|2019. 08. 29.

Medical Imaging Techniques and Applications참고 문헌 21인용 수 4

한 줄 요약

이 논문은 CT 영상에서 병변을 앵커 기반 경계 박스가 아닌 단일 키포인트로 모델링하는 3D 앵커 없는 병변 검출 프레임워크를 제안한다. 앵커를 제거함으로써, 특히 도전적인 크기의 병변이나 경계에 위치한 병변에서 보다 뛰어난 정확도와 더 빠른 추론 속도를 달성한다.

ABSTRACT

Lesions are injuries and abnormal tissues in the human body. Detecting lesions in 3D Computed Tomography (CT) scans can be time-consuming even for very experienced physicians and radiologists. In recent years, CNN based lesion detectors have demonstrated huge potentials. Most of current state-of-the-art lesion detectors employ anchors to enumerate all possible bounding boxes with respect to the dataset in process. This anchor mechanism greatly improves the detection performance while also constraining the generalization ability of detectors. In this paper, we propose an anchor-free lesion detector. The anchor mechanism is removed and lesions are formalized as single keypoints. By doing so, we witness a considerable performance gain in terms of both accuracy and inference speed compared with the anchor-based baseline

연구 동기 및 목표

• 앵커 기반 3D 병변 검출의 한계, 즉 높은 가짜 양성 비율과 앵커 설정에 대한 민감성 문제를 해결하기 위해.
• 앵커 메커니즘을 제거함으로써 일반화 능력을 향상시키고 계산 부담을 줄여 검출 성능과 추론 속도를 향상시키기 위해.
• 핵심 슬라이스에 의존하지 않는 시나리오에서도 강력한 병변 검출을 가능하게 하여 실제 임상 적용의 실용성을 높이기 위해.
• 3D에서 병변 검출을 키포인트 검출 작업으로 효과적으로 재정의할 수 있는지 조사하기 위해, CT 영상에서 병변의 겹치지 않는 특성을 활용한다.

제안 방법

• 엔코더와 디코더 경로 사이의 스킵 연결을 갖는 U-Net 유사 3D 아키텍처를 사용하여 공간적 세부 정보를 유지한다.
• 병변을 단일 키포인트(중심점)로 모델링함으로써 앵커 템플릿이 필요 없고, 가짜 양성 비율이 감소한다.
• 다중 해상도 수준의 특징 맵에 검출 헤드를 부착하여 경계 박스 회귀 없이 키포인트 위치와 신뢰도 점수를 예측한다.
• 각 해상도 수준에서 상류 및 하류 특징을 연결함으로써 특징 융합을 수행하여 국소화 정확도를 향상시킨다.
• 훈련 시 64×128×128 크기의 무작위 컷을 사용하고, 테스트 시 슬라이딩 윈도우 추론을 적용하여 큰 CT 볼륨을 처리한다.
• 예측된 중심점과 진짜 중심점 간의 IoU 기반 매칭을 통해 키포인트 국소화를 감독하기 위한 수정된 손실 함수를 사용한다.

실험 결과

연구 질문

• RQ1 3D 앵커 없는 객체 검출 프레임워크는 CT 영상 병변 검출에서 앵커 기반 방법보다 더 뛰어난 성능을 달성할 수 있는가?
• RQ2 앵커 없는 설계는 큰 병변이나 경계에 위치한 병변에 대해 추론 속도와 내성에 어떤 영향을 미치는가?
• RQ3 다양한 병변 유형에서 앵커 기반 회귀 대비 단일 키포인트로 병변을 모델링하는 것이 재현율과 정밀도 측면에서 더 우수한가?
• RQ4 이전에 핵심 슬라이스에 대한 사전 지식이 필요한 방법과 비교해 병변 검출에서 핵심 슬라이스에 의존하지 않는 설정에서의 성능은 어떠한가?

주요 결과

• 앵커 없는 3D 병변 검출기는 FROC 점수와 추론 속도 양면에서 앵커 기반 베이스라인을 초월하며, Tesla K80에서 12% 더 빠른 추론 시간을 기록한다.
• 앵커 없는 모델은 크기가 큰 병변(>30mm)에 대해 뚜렷한 성능 저하 없이 우수한 내성 보여주며, 앵커 기반 모델은 불안정성과 느린 수렴을 겪는다.
• DeepLesion 데이터셋에서 앵커 없는 모델은 평균 FROC 점수 0.852를 기록하여 앵커 기반 모델의 0.821을 초월한다.
• 이 방법은 병변 유형 전반에서 뛰어난 성능 유지를 보이며, 이전 방법이 뼈 및 신장 병변에서 심각하게 성능 저하되는 것과는 달리 연조직 병변의 재현율 감소가 최소한이다.
• 앵커 유도 국소화 편향이 없기 때문에, 예상치 못한 병변 크기나 위치(예: 스캔 경계 근처)에 대해서도 일반화 능력이 뛰어나다.
• 앵커 없는 설계에서 Non-Maximum Suppression(NMS) 병목 현상이 없어, 특히 고밀도 영역에서 더 빠른 추론이 가능하다.