[논문 리뷰] 3D G-CNNs for Pulmonary Nodule Detection

Marysia Winkels, Taco Cohen|arXiv (Cornell University)|2018. 04. 12.

Lung Cancer Diagnosis and Treatment참고 문헌 24인용 수 75

한 줄 요약

논문은 3D 그룹-등변 CNN(G-CNNs)이 폐포 결절 탐지의 거짓 양성 감소를 크게 개선하며 표준 3D CNN보다 대략 10배 데이터 효율이 있습니다.

ABSTRACT

Convolutional Neural Networks (CNNs) require a large amount of annotated data to learn from, which is often difficult to obtain in the medical domain. In this paper we show that the sample complexity of CNNs can be significantly improved by using 3D roto-translation group convolutions (G-Convs) instead of the more conventional translational convolutions. These 3D G-CNNs were applied to the problem of false positive reduction for pulmonary nodule detection, and proved to be substantially more effective in terms of performance, sensitivity to malignant nodules, and speed of convergence compared to a strong and comparable baseline architecture with regular convolutions, data augmentation and a similar number of parameters. For every dataset size tested, the G-CNN achieved a FROC score close to the CNN trained on ten times more data.

연구 동기 및 목표

• 의료 영상 분석에서 폐 포 결절 탐지에 대한 데이터 효율성의 필요성 제고(제한된 주석 데이터로 인한 제약 때문).
• 회전 및 반사를 개선 학습하기 위해 3D 그룹-등변 합성을 제안하고 평가한다.
• 다양한 학습 데이터 크기에 대해 G-CNN을 평면 이동 기반과 비교한다.
• NLST/LIDC/IDRI 데이터셋에서 3D G-CNN의 수렴 속도와 데이터 효율성을 평가한다.

제안 방법

• 선택된 대칭 그룹(D4, D4h, O, Oh)에 대해 표준 Conv3D를 GConv3D로 교체한다.
• 그룹 변환을 적용하여 변환된 필터 뱅크를 생성하고, 사전 계산된 순열 rho(h)를 통해 방향 채널을 섞는다.
• 출력의 스케일링을 통해 매개변수 수를 기준선과 비슷하게 유지하기 위해 Augmented 네트워크를 균형 있게 조정한다(sqrt(|H|)로 출력 스케일링).
• Adam 최적화와 Xavier 초기화, 하나의 데이터 증가 스킴(회전, 반사, 평행이동, 스케일링, 노이즈)을 사용한 교차 엔트로피로 학습한다.
• NLST/LIDC/IDRI에서 30–30,000 샘플을 대상으로 FROC 분석과 고정 평가 프로토콜(ANODE09/LUNA16 스타일)을 사용해 평가한다.

실험 결과

연구 질문

• RQ1 회전-반사 그룹과 함께한 3D G-CNN이 표준 3D CNN에 비해 폐 포상 결절의 거짓 양성 감소에서 어떤 성능을 보이는가?
• RQ2 다양한 학습 데이터 크기에서 3D G-CNN이 평행 이동 CNN보다 더 데이터 효율적이고 수렴 속도가 빠른가?
• RQ3 다른 3D 대칭 그룹(D4, D4h, O, Oh)이 특히 적은 데이터 상황에서 성능에 어떤 영향을 미치는가?

주요 결과

• G-CNN은 모든 데이터 세트 크기에서 평행 이동 기반을 능가한다.
• N 데이터에서 학습된 G-CNN은 10×N 데이터로 학습한 기반선과 일치하거나 이를 능가하여 약 10× 데이터 효율성을 시사한다.
• 모든 G-합성 그룹에서 FROC 점수가 향상되며, 특히 데이터가 적은 구간에서 뚜렷한 이점을 보인다.
• G-CNN은 기준선보다 더 빨리 수렴하는 경향이 있으며 대개 비교적 적은 에포크로 검증 손실에 도달한다.
• 그룹 중에서 팔면체 그룹(O, Oh)과 직육면체 그룹(D4, D4h)은 서로 다른 성능 패턴을 보이며, 특히 매우 작은 데이터 크기에서 그렇다.
• 상위 진양성에서 악성 민감도는 G-CNN이 기준선보다 높은 경향을 보인다.