[논문 리뷰] 3D Deeply Supervised Network for Automatic Liver Segmentation from CT Volumes

Qi Dou, Hao Chen외 4명|arXiv (Cornell University)|2016. 07. 03.

Advanced Neural Network Applications참고 문헌 13인용 수 108

한 줄 요약

CT 볼륨에서 간 자동 분할을 위한 3D 깊이 있게 감독된 네트워크(3D DSN)를 도입하고, 깊은 감독 및 CRF 보정을 통해 정확도와 속도를 개선합니다.

ABSTRACT

Automatic liver segmentation from CT volumes is a crucial prerequisite yet challenging task for computer-aided hepatic disease diagnosis and treatment. In this paper, we present a novel 3D deeply supervised network (3D DSN) to address this challenging task. The proposed 3D DSN takes advantage of a fully convolutional architecture which performs efficient end-to-end learning and inference. More importantly, we introduce a deep supervision mechanism during the learning process to combat potential optimization difficulties, and thus the model can acquire a much faster convergence rate and more powerful discrimination capability. On top of the high-quality score map produced by the 3D DSN, a conditional random field model is further employed to obtain refined segmentation results. We evaluated our framework on the public MICCAI-SLiver07 dataset. Extensive experiments demonstrated that our method achieves competitive segmentation results to state-of-the-art approaches with a much faster processing speed.

연구 동기 및 목표

• CT 볼륨의 큰 해부학적 변이 및 병리에도 불구하고 자동 간 분할의 어려움을 해결한다.
• 깊은 감독을 통해 최적화가 개선된 엔드 투 엔드 학습을 수행하는 3D 완전 합성곱 네트워크를 개발한다.
• 완전 연결 CRF를 이용한 후처리 윤곽 보정을 통해 분할 정확도를 향상시킨다.
• MICCAI-SLiver07에서 접근법을 검증하고 정확도와 속도 면에서 최첨단 방법과 비교한다.

제안 방법

• 용 voxel-wise 간 분할을 위해 11층(6개의 conv, 2개의 풀링, 2개의 deconv, 1개의 소프트맥스)을 가진 3D 완전 합성곱 네트워크를 구축한다.
• vanishing gradient를 완화하고 수렴 속도를 높이기 위해 3번째 및 6번째 층에 보조 손실을 부착하여 깊은 감독을 도입한다.
• 가중치 합의 보조 손실과 표준 정규화를 사용하여 부피 CT 데이터에서 엔드-투-엔드로 voxel 단위 교차 엔트로피로 학습한다.
• 전역 및 주성분의 예측을 통합하여 최종 분할을 정제하기 위해 횡단면 평면에서 완전 연결 CRF를 적용한다.
• 큰 3D 커널을 사용해 컨텍스추얼 정보를 포착하고 3D 디컨볼루션 층으로 특징 맵을 원래 해상도로 업스케일한다.
• MICCAI-SLiver07 데이터셋에서 평가하고 VOE, VD, AvgD, RMSD, MaxD 지표를 비교한다.

실험 결과

연구 질문

• RQ1 깊은 감독이 있는 3D DSN이 CT 볼륨에서 간 분할의 최적화와 판별력을 향상시킬 수 있는가?
• RQ2 DSN 확률 맵을 넘어서 CRF 후처리로 간 윤곽을 더 정밀하게 다듬을 수 있는가?
• RQ3 3D DSN은 순수 3D CNN과 비교하여 분할 정확도와 수렴 속도에서 어떤 차이가 있는가?
• RQ4 제안된 방법이 수술 내 삽시 guidance에 적합한 더 빠른 처리 속도를 제공할 수 있는가?

주요 결과

• 3D DSN은 순수 3D CNN보다 더 빠르게 수렴하고 훈련/검증 오차가 더 낮다.
• 깊은 감독은 표준 학습보다 더 선명하고 상관 관계가 덜한 3D 커널 및 더 나은 특징 표현을 가져온다.
• CRF 보정은 높은 품질의 unary 포텐셜 이후보다 정확한 윤곽을 만들어 분할 정확도를 향상시킨다.
• 훈련 데이터에서 3D DSN은 VOE, VD, AvgD, RMSD, MaxD 지표에서 3D CNN보다 우수하다(표 1의 정확한 수치).
• 결합된 3D DSN+CRF 접근법은 많은 형태 모델 기반 방법보다 처리 속도가 더 빠르며(주제당 약 1.5분, CRF 단계는 87초).
• SLiver07에서 강력한 VOE와 AvgD로 경쟁력 있는 결과를 달성하였고 명시적 형태 사전 정보에는 의존하지 않는다.