[논문 리뷰] A Bottom-up Approach for Pancreas Segmentation using Cascaded Superpixels and (Deep) Image Patch Labeling

Amal Farag, Le Lü외 4명|arXiv (Cornell University)|2015. 05. 22.

Advanced Neural Network Applications참고 문헌 46인용 수 12

한 줄 요약

이 논문은 연결된 슈퍼픽셀과 이중단계 이미지 패치 레이블링을 사용한 바텀업 췌장 세분화 방법을 제안한다. 처음에는 효율적인 랜덤 포레스트를, 그 다음에는 딥 컨volution 네트워크를 사용하여 레이블링을 수행하며, 80개의 CT 볼륨에 대한 6중 교차검증에서 70.7%의 디스크 스코어를 기록하고 케이스당 6–8분의 런타임을 기록하여 기존 최고 수준의 방법들보다 정확도와 효율성 면에서 뚜렷한 우월성을 보였다.

ABSTRACT

Robust automated organ segmentation is a prerequisite for computer-aided diagnosis (CAD), quantitative imaging analysis and surgical assistance. For high-variability organs such as the pancreas, previous approaches report undesirably low accuracies. We present a bottom-up approach for pancreas segmentation in abdominal CT scans that is based on a hierarchy of information propagation by classifying image patches at different resolutions; and cascading superpixels. There are four stages: 1) decomposing CT slice images as a set of disjoint boundary-preserving superpixels; 2) computing pancreas class probability maps via dense patch labeling; 3) classifying superpixels by pooling both intensity and probability features to form empirical statistics in cascaded random forest frameworks; and 4) simple connectivity based post-processing. The dense image patch labeling are conducted by: efficient random forest classifier on image histogram, location and texture features; and more expensive (but with better specificity) deep convolutional neural network classification on larger image windows (with more spatial contexts). Evaluation of the approach is performed on a database of 80 manually segmented CT volumes in six-fold cross-validation (CV). Our achieved results are comparable, or better than the state-of-the-art methods (evaluated by "leave-one-patient-out"), with Dice 70.7% and Jaccard 57.9%. The computational efficiency has been drastically improved in the order of 6~8 minutes, comparing with others of ~10 hours per case. Finally, we implement a multi-atlas label fusion (MALF) approach for pancreas segmentation using the same datasets. Under six-fold CV, our bottom-up segmentation method significantly outperforms its MALF counterpart: (70.7 +/- 13.0%) versus (52.5 +/- 20.8%) in Dice. Deep CNN patch labeling confidences offer more numerical stability, reflected by smaller standard deviations.

연구 동기 및 목표

• 복부 CT 영상에서 높은 해부학적 변동성으로 인해 췌장 세분화 정확도가 낮은 문제를 해결하기 위해.
• 기존 방법들이 케이스당 10시간 이상 소요되는 데 비해 계산 효율성을 향상시키기 위해.
• 슈퍼픽셀 분해와 다중 해상도 패치 레이블링을 조합한 강력하고 계층적인 프레임워크를 개발하여 국소화 정확도와 특이도를 향상시키기 위해.
• 엄격한 교차검증을 사용하여 수작업으로 세분화된 80개의 CT 볼륨으로 구성된 대규모 데이터셋에서 방법을 평가하기 위해.
• 다중 아틀라스 레이블 융합(MALF)과의 비교를 통해 평균 디스크 스코어와 표준편차 면에서 뛰어난 성능을 보여주기 위해.

제안 방법

• 각 CT 슬라이스를 경계 유지 슈퍼픽셀로 분해하여 이미지의 계층적이고 영역 기반 표현을 생성한다.
• 지역적 특징(강도, 무늬, 위치)을 사용하여 밀도 있는 이미지 패치 레이블링을 랜덤 포레스트 분류기로 적용하여 初기 확률 맵을 생성한다.
• 강도 및 확률 특징을 풀링하여 경험적 통계를 계산하는 방식으로, 랜덤 포레스트를 사용한 연결된 슈퍼픽셀 분류 프레임워크를 구현한다.
• 더 큰 이미지 윈도우에서 딥 컨volution 네트워크(CNN)를 사용하여 공간적 맥락을 더 잘 반영하고 특이도를 향상시켜 패치 수준의 예측을 보완한다.
• 해부학적으로 타당한 세분화 결과를 확보하기 위해 연결성 기반 후처리를 적용한다.
• 두 단계 패치 레이블링 전략을 활용한다: 초기 레이블링을 위한 빠른 랜덤 포레스트, 그 다음에 더 정확하지만 계산 비용이 더 높은 CNN 추론

실험 결과

연구 질문

• RQ1 상위에서 하향 또는 아틀라스 기반 방법과 비교하여, 하향식 슈퍼픽셀 기반 접근 방식이 이질적인 복부 CT 영상에서 췌장 세분화 정확도를 향상시킬 수 있는가?
• RQ2 다중 해상도 패치 레이블링과 함께 슈퍼픽셀 분류를 연결함으로써 국소화 정밀도와 계산 효율성이 향상되는가?
• RQ3 기존의 랜덤 포레스트와 비교할 때, 딥 CNN을 사용한 패치 레이블링이 특이도와 수치적 안정성 면에서 어떻게 우월한가?
• RQ4 기존 최고 수준의 기술들과 비교해 볼 때, 제안된 방법이 런타임을 얼마나 줄였는가? 이와 동시에 세분화 성능을 유지하거나 향상시키는가?
• RQ5 제안된 방법이 다수의 다양하고 대규모 데이터셋에서 다중 아틀라스 레이블 융합(MALF)보다 평균 디스크 스코어와 표준편차 면에서 뛰어난 성능을 보이는가?

주요 결과

• 제안된 방법은 6중 교차검증에서 디스크 스코어 70.7%와 표준편차 13.0%를 기록하여 MALF 기준선(52.5% ± 20.8%)을 뚜렷이 앞서갔다.
• 평균 계산 시간을 케이스당 6–8분으로 줄여, 이전 방법들이 케이스당 약 10시간이 소요되는 데 비해 상당한 향상이 있었다.
• 딥 CNN 기반 패치 레이블링은 성능 지표의 표준편차가 낮아 더 수치적으로 안정된 신뢰도 점수를 제공함을 시사했다.
• 연결된 슈퍼픽셀 프레임워크는 스케일 간 정보를 효과적으로 전파하여 국소 무늬와 전반적 맥락적 특징을 통합함으로써 세분화 정확도를 향상시켰다.
• 슈퍼픽셀 분해와 이중단계 패치 레이블링(랜덤 포레스트 이후 CNN)의 조합은 특이도를 향상시키고 가짜 양성 결과를 줄였다.
• 80개의 수작업으로 세분화된 CT 볼륨으로 구성된 데이터셋에서 다양한 환자 해부학적 구조에 걸쳐 뛰어난 성능을 보이며 강건성을 입증했다.