[논문 리뷰] A Cascaded Residual UNET for Fully Automated Segmentation of Prostate and Peripheral Zone in T2-weighted 3D Fast Spin Echo Images

Lavanya Umapathy, Wyatt Unger외 5명|arXiv (Cornell University)|2020. 12. 25.

Advanced Neural Network Applications참고 문헌 8인용 수 4

한 줄 요약

이 논문은 T2-weighted 3D fast spin echo MRI 스캔에서 전립선 샘과 주변조직을 완전 자동으로 분할하기 위해 계단식 잔차 U-Net(Cascaded MRes-UNET)을 제안한다. 아키텍처는 잔차 블록과 두 단계의 계단식 설계를 사용하여 경계 국소화를 향상시키며, 방사선의사의 주석과 비교해 높은 Dice 점수 0.91±0.02와 총 전립선 부피 추정에서 5% 미만의 오차를 달성한다.

ABSTRACT

Multi-parametric MR images have been shown to be effective in the non-invasive diagnosis of prostate cancer. Automated segmentation of the prostate eliminates the need for manual annotation by a radiologist which is time consuming. This improves efficiency in the extraction of imaging features for the characterization of prostate tissues. In this work, we propose a fully automated cascaded deep learning architecture with residual blocks, Cascaded MRes-UNET, for segmentation of the prostate gland and the peripheral zone in one pass through the network. The network yields high Dice scores ($0.91\pm.02$), precision ($0.91\pm.04$), and recall scores ($0.92\pm.03$) in prostate segmentation compared to manual annotations by an experienced radiologist. The average difference in total prostate volume estimation is less than 5%.

연구 동기 및 목표

• 방사선의사가 T2-weighted 3D MRI에서 전립선과 주변조직을 수작업으로 분할하는 데 소요되는 시간을 줄이기 위해.
• 단일 추론 단계에서 전립선 샘과 그 주변조직을 정확하게 분할할 수 있는 완전 자동화된 딥러닝 프레임워크를 개발하기 위해.
• 잔차 학습과 계단식 네트워크 아키텍처를 통해 조직 경계에서의 분할 정확도를 향상시키기 위해.
• 수동 주석과의 편차를 최소화하여 전립선 부피 추정의 높은 일致성을 달성하기 위해.

제안 방법

• 계단식 U-Net 아키텍처를 사용하며, 첫 번째 단계는 전립선 샘을 예측하고 두 번째 단계는 주변조직의 분할을 정밀하게 보정한다.
• 학습 안정성 향상과 기울기 흐름 향상을 위해 인코더 및 디코더 경로에 잔차 블록을 통합한다.
• 클래스 불균형을 해결하기 위해 포칼 가중치가 적용된 이진 교차 엔트로피 손실을 사용하여 엔드 투 엔드 방식으로 네트워크를 훈련시킨다.
• 입력은 3D T2-weighted fast spin echo MRI 데이터이며, 모델은 전립선과 주변조직에 대한 병렬 복소 분할 마스크를 예측한다.
• 두 단계 추론 과정을 통해 두 번째 단계가 첫 번째 단계의 특징을 활용하여 세밀한 주변조직 경계에 집중할 수 있다.
• 일반화 성능 향상을 위해 기울기 회전, 반전, 강도 변동 조정 등의 데이터 증강 기법을 적용한다.

실험 결과

연구 질문

• RQ1 계단식 딥러닝 아키텍처가 T2-weighted 3D MRI에서 전립선 샘과 주변조직의 고정밀 분할을 달성할 수 있는가?
• RQ2 잔차 블록의 통합이 전립선 MRI 분할에서 성능 향상과 학습 안정성 향상에 기여하는가?
• RQ3 단일 단계 U-Net과 비교해 계단식 설계가 경계 국소화에 얼마나 향상시키는가?
• RQ4 자동화된 부피 추정은 수동 방사선의사 측정과 비교해 얼마나 정확한가?

주요 결과

• 제안된 Cascaded MRes-UNET은 전립선 분할에서 Dice 점수 0.91±0.02를 달성하여 수동 주석과 강한 겹침을 보였다.
• 전립선 분할의 정밀도와 재현율은 각각 0.91±0.04와 0.92±0.03로 높은 분할 신뢰성을 나타냈다.
• 자동화된 분할과 수동 분할 간 총 전립선 부피 추정의 평균 차이는 5% 미만이었다.
• 계단식 아키텍처는 기준 U-Net 모델과 비교해 주변조직 경계의 분할 정확도를 특히 향상시켰다.
• 잔차 블록의 사용은 깊은 층에서의 안정적인 학습과 더 나은 특징 학습에 기여했다.