[논문 리뷰] A Deep Learning based Fast Signed Distance Map Generation

Zihao Wang, Clair Vandersteen외 5명|arXiv (Cornell University)|2020. 05. 26.

Optical measurement and interference techniques인용 수 6

한 줄 요약

이 논문은 GPU 추론을 필요로 하지 않으면서도 기존 메시 기반 방법보다 66배 빠른 속도로 3D 부호 거리 맵(SDM)을 생성할 수 있는 합성곱 신경망(SDMNN)을 제안한다. 이는 의료 영상 분석, 특히 이물질 이식 계획에 실시간 SDM 계산을 가능하게 하며, 전통적 방법과 비교해 형태 매개변수 복원 오차가 거의 없이 높은 정확도를 유지한다.

ABSTRACT

Signed distance map (SDM) is a common representation of surfaces in medical image analysis and machine learning. The computational complexity of SDM for 3D parametric shapes is often a bottleneck in many applications, thus limiting their interest. In this paper, we propose a learning based SDM generation neural network which is demonstrated on a tridimensional cochlea shape model parameterized by 4 shape parameters. The proposed SDM Neural Network generates a cochlea signed distance map depending on four input parameters and we show that the deep learning approach leads to a 60 fold improvement in the time of computation compared to more classical SDM generation methods. Therefore, the proposed approach achieves a good trade-off between accuracy and efficiency.

연구 동기 및 목표

• 의료 영상 분석에서 3D 삼각형 메시에서 부호 거리 맵(SDM)을 생성하는 데 높은 계산 비용을 해결하기 위해.
• 임상 현장에 적합한 GPU 없이도 효율적인 SDM 생성 방법을 개발하기 위해.
• 의료 영상 파이프라인에서 형태 매개변수 피팅을 빠르게 수행하기 위해, 예를 들어 이물질 이식 계획과 같은 응용 분야를 위해.
• 전체 3D SDM 격자를 생성할 때 점 기반 신경망(예: DeepSDF)의 비효율성을 해결하기 위해.
• 파arametric 형태 모델을 위한 기존 SDM 계산 방식의 일반적이고 정확하며 빠른 대안을 제공하기 위해.

제안 방법

• 3D U-Net 유사 합성곱 신경망(SDMNN)을 사용하여 형태 매개변수와 공간 좌표에서 직접 부호 거리 맵을 예측하도록 훈련한다.
• 기본값으로 사용된 VTK의 vtkImplicitPolyDataDistance를 활용해 파라미터화된 고리 모양 모델에서 생성된 3D SDM 데이터셋을 기반으로 훈련한다.
• 신경망의 입력은 네 개의 형태 매개변수(a, α, b, φ)와 3D 바vox 좌표이며, 출력은 각 바vox에서의 부호 거리이다.
• 예측된 SDM 값과 기저 진실값 간의 평균 제곱오차(MSE) 손실을 사용해 훈련한다.
• 메시 래스터화를 피하고 GPGPU를 추론 시에 요구하지 않아 CPU 전용 배포가 가능하다.
• 점 기반 네트워크가 개별적으로 거리 값을 평가하는 데 반해, 아키텍처는 전체 3D SDM 격자를 효율적으로 생성하도록 설계되었다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 전통적인 메시 기반 방법보다 훨씬 더 빠르게 3D 부호 거리 맵을 생성하면서도 높은 정확도를 유지할 수 있는가?
• RQ2 전체 SDM 생성에 있어 제안된 SDMNN은 DeepSDF와 같은 점 기반 신경망과 비교해 계산 효율성이 어떻게 다른가?
• RQ3 임상 영상 피팅 작업에서 형태 매개변수 추정 정확도에 SDMNN의 사용이 어느 정도의 영향을 미치는가?
• RQ4 SDMNN는 GPU 가속을 요구하지 않고도 임상 환경에서 효율적으로 구현될 수 있는가?
• RQ5 전통적 방법과 비교해 CNN 기반 접근법을 사용할 경우, 추론 속도와 SDM 정확도 사이의 상호 교환 관계는 어떠한가?

주요 결과

• SDMNN는 0.2초 내에 3D SDM을 생성하여 기존 메시 기반 방법(10.7초) 대비 66배 빠른 성능을 달성한다.
• 임상 CT 데이터에서 전체 형태 피팅 작업을 수행한 결과, 계산 시간은 12시간 15분에서 1시간 5분으로 단축되어 11배 빠른 성능을 보였다.
• 형태 매개변수 오차는 a에 대해 평균 2.06e-08, α에 대해 2.53e-08, b에 대해 5.4e-08, φ에 대해 1.00e-09로, 메시 기반 방법과 거의 동일한 복원 정확도를 확보했다.
• DeepSDF는 단일 배치 내에서 전체 SDM 격자를 수용 가능한 시간 내에 생성하지 못했으며, 28초가 걸려 VTK 기반 전통적 방법보다도 더 느렸다.
• SDMNN가 생성한 맵에서 추출한 영점等치면은 원본 메시와 시각적으로 구분되지 않으며, 표면 재구성에서 최소한의 편차를 보였다.
• 큰 SDM 격자를 생성할 때도 높은 정확도를 유지하며, 비영역 등치면에서는 미세한 부드러운 왜곡만 발생했으며, 이는 형태 복원에 있어 중요도가 낮다.