[논문 리뷰] A 2D dilated residual U-Net for multi-organ segmentation in thoracic CT

Sulaiman Vesal, Nishant Ravikumar외 1명|arXiv (Cornell University)|2019. 05. 19.

Lung Cancer Diagnosis and Treatment참고 문헌 6인용 수 13

한 줄 요약

이 논문은 흉부 CT 스캔에서 다기관 분할을 위해 2D 확장 잔차 U-Net(U-Net+DR)을 제안하며, 병변부에서 확장 컨볼루션과 잔차 연결을 통합하여 전반적인 맥락을 포착하고 기울기 흐름을 향상시킵니다. 이 방법은 ISBI 2019 SegTHOR 챌린지 테스트 세트에서 91.57%의 Dice 스코어를 기록하여 식도와 같은 도전적인 기관에 대해 최신 기술 수준의 성능을 입증했습니다.

ABSTRACT

Automatic segmentation of organs-at-risk (OAR) in computed tomography (CT) is an essential part of planning effective treatment strategies to combat lung and esophageal cancer. Accurate segmentation of organs surrounding tumours helps account for the variation in position and morphology inherent across patients, thereby facilitating adaptive and computer-assisted radiotherapy. Although manual delineation of OARs is still highly prevalent, it is prone to errors due to complex variations in the shape and position of organs across patients, and low soft tissue contrast between neighbouring organs in CT images. Recently, deep convolutional neural networks (CNNs) have gained tremendous traction and achieved state-of-the-art results in medical image segmentation. In this paper, we propose a deep learning framework to segment OARs in thoracic CT images, specifically for the: heart, esophagus, trachea and aorta. Our approach employs dilated convolutions and aggregated residual connections in the bottleneck of a U-Net styled network, which incorporates global context and dense information. Our method achieved an overall Dice score of 91.57% on 20 unseen test samples from the ISBI 2019 SegTHOR challenge.

연구 동기 및 목표

• 흉부 CT 스캔에서 방사선 치료 계획에 필수적인 방사선 감수 기관(OARs)의 정확하고 자동화된 분할에 도전하는 것.
• 수작업 분할의 한계, 즉 시간 소모, 평가자 간 변동성, 그리고 저대비 기관인 식도와 같은 기관을 구분하기 어려움을 해결하는 것.
• 복잡한 흉부 해부학적 구조의 분할을 향상시키기 위해 국소적 및 전반적 맥락 정보를 효과적으로 포착할 수 있는 딥 러닝 프레임워크를 개발하는 것.
• 2D U-Net 기반 아키텍처에 확장 컨볼루션과 잔차 연결을 통합하여 심장, 식도, 기도, 대동맥의 강력하고 재현 가능한 분할을 달성하는 것.

제안 방법

• 3×3 컨볼루션, 배치 정규화, ReLU 활성화 함수 및 최대 풀링을 사용하는 4개의 인코더-디코더 블록을 포함한 2D U-Net 아키텍처를 적용합니다.
• 수용장(Receptive Field)을 확장하면서 파rameter 수를 증가시키지 않기 위해, 병변부에서 확장률이 1에서 4인 확장 컨볼루션을 적용하여 장거리 맥락적 특징을 포착합니다.
• 각 인코더 블록의 두 번째 컨볼루션 레이어 간에 잔차 연결을 도입하여 기울기 흐름과 다양한 척도의 특징 학습을 향상시킵니다.
• 두 단계의 훈련 전략을 사용합니다. 첫 번째 단계는 온라인 데이터 증강을 통해 수행하고, 두 번째 단계는 다중 클래스 소프트 Dice 및 Tversky 손실 함수를 사용한 전이 학습(TL)을 통한 미세조정을 수행합니다.
• 후처리 단계에서는 각 기관에 대해 가장 큰 연결 성분만 유지하여 소규모 오분류 예측을 수정함으로써, Dice 스코어에 최소한의 영향을 주고도 Hausdorff 거리를 향상시킵니다.
• 입력 CT 슬라이스는 대trast-limited adaptive histogram equalization(CLAHE)를 사용하여 사전 처리하고, 정규화하여 대trast와 일관성을 향상시킵니다.

실험 결과

연구 질문

• RQ1 U-Net 병변부에서의 확장 컨볼루션은 수용장을 확장함으로써 흉부 OAR 분할 정확도를 향상시킬 수 있는가?
• RQ2 인코더에 잔차 연결을 통합하면 다기관 분할에서 특징 학습과 기울기 흐름이 향상되는가?
• RQ3 온라인 데이터 증강과 전이 학습은 모델의 일반화 능력과 미리 보지 않은 테스트 데이터에서의 성능에 어떤 영향을 미치는가?
• RQ4 제안된 방법은 저대비 기관인 식도의 분할에서 기존 방법보다 얼마나 뛰어난가?
• RQ5 학습 데이터가 제한된 상황에서 3D 네트워크와 비교해 2D 네트워크가 경쟁 가능한 성능을 달성할 수 있는가?

주요 결과

• 제안된 2D U-Net+DR는 온라인 데이터 증강과 전이 학습을 거친 후 테스트 세트에서 91.57%의 Dice 스코어를 기록하여 이전 방법보다 유의미하게 뛰어난 성능을 보였다.
• 저대비와 비정형 형태로 인해 가장 도전적인 기관인 식도는 85.8%의 Dice 스코어를 기록하여 이전 연구에서 보고된 85.67%를 초월했다.
• 높은 대비와 규칙적인 형태로 인해 심장(94.1%)과 대동맥(93.8%)이 가장 높은 Dice 스코어를 기록했다.
• 미세조정 후 테스트 세트에서 Hausdorff 거리는 0.2500 mm로 감소하여 경계 정확도가 향상되었으며, 후처리로 인한 Dice 스코어의 증가가 미미함에도 불구하고 개선된 결과를 보였다.
• 다양한 환자 해부학적 구조에서 강력하고 일관된 성능을 보였으며, 시각적 결과는 모든 네 개의 OAR에 대해 정확한 3D 표면 재구성을 보여주었다.
• 제거 실험을 통해 데이터 증강과 전이 학습이 소규모이고 복잡한 구조에서 최적의 성능을 달성하는 데 핵심적인 역할을 했다는 점을 확인했다.