[논문 리뷰] A Fully-Automated Pipeline for Detection and Segmentation of Liver Lesions and Pathological Lymph Nodes

Assaf Hoogi, John Lambert외 3명|arXiv (Cornell University)|2017. 03. 19.

Hepatocellular Carcinoma Treatment and Prognosis인용 수 6

한 줄 요약

이 논문은 마진 공간 학습, AdaBoost 기반의 캐스케이드 분류 및 CNN 향상된 활성 윤곽을 조합하여 복부 CT 영상에서 간 병변 및 병적 림프절을 완전 자동으로 검출하고 분할하는 엔드 투 엔드 파이프라인을 제시한다. 다양한 데이터셋(42개 간 병변 및 595개 림프절)에서 이 방법은 검출 민감도 0.53과 평균 Dice 점수 0.71±0.15를 달성한다.

ABSTRACT

We propose a fully-automated method for accurate and robust detection and segmentation of potentially cancerous lesions found in the liver and in lymph nodes. The process is performed in three steps, including organ detection, lesion detection and lesion segmentation. Our method applies machine learning techniques such as marginal space learning and convolutional neural networks, as well as active contour models. The method proves to be robust in its handling of extremely high lesion diversity. We tested our method on volumetric computed tomography (CT) images, including 42 volumes containing liver lesions and 86 volumes containing 595 pathological lymph nodes. Preliminary results under 10-fold cross validation show that for both the liver lesions and the lymph nodes, a total detection sensitivity of 0.53 and average Dice score of $0.71 \\pm 0.15$ for segmentation were obtained.

연구 동기 및 목표

• 다양한解부학적 맥락에서 간 및 림프절의 악성 병변을 완전 자동으로 검출하고 분할할 수 있는 일반화 가능한 파이프라인을 개발하기 위해.
• 낮은 대비, 이질적이고 형태학적으로 다양성이 큰 병변으로 인해 수동 또는 전통적인 자동화 방법으로는 어려운 과제를 극복하기 위해.
• 종양학에서 치료 반응 평가를 위한 자동 RECIST 준수 지표를 활용한 확장 가능한 정확한 평가를 가능하게 하기 위해.
• 영상의학자가 높은 불확실성을 느끼는 임상적으로 도전적인 경우에서 병변 검출 및 분할의 강건성을 향상시키기 위해.

제안 방법

• 기관 검출은 3D 하르 및 기울기 방향 조정 기능을 AdaBoost를 통해 훈련한 확률적 부스팅 트리(PBT)를 사용한 마진 공간 학습을 통해 수행되며, 기관의 위치, 방향, 척도를 추정한다.
• 병변 검출은 캐스케이드 분류기 파이프라인을 활용한다: 허운스필드 단위(HU) 강도 기반의 초기 후보자 선택, 3D 하르 기능 필터링, 그리고 AdaBoost를 사용한 자기 정렬 레이 기반 기능 추출.
• 자기 정렬 기능 추출 방법은 각 후보에서 14개 방향으로 레이를 射출하여 기울기 최대값에서 24개의 국소 영상 기능(강도, 기울기, 방향성)을 추출함으로써 분류 성능을 향상시킨다.
• 병변 분할은 컨volutional 신경망(CNN)을 통한 기능 학습과 적응형 에너지 기능 가중치를 갖춘 활성 윤곽(레벨셋)을 조합한 하이브리드 접근법을 사용한다. 이는 경계 정확도 향상에 기여한다.
• 분할 파이프라인은 경계 상자 모서리의 두 점을 자동으로 검출하여 윤곽을 초기화하며, 이는 CNN 유래 기능과 에너지 최소화를 통해 개선된다.
• 시스템은 두 개의 데이터셋에서 평가되었다: The Cancer Imaging Archive(TCIA)에서 확보한 42개의 간 병변 볼륨과 86개의 림프절 볼륨이며, 림프절은 수동 애너테이션을, 간 병변은 시각적 검토를 통해 애너테이션되었다.

실험 결과

연구 질문

• RQ1 완전 자동, 엔드 투 엔드 파이프라인이 다양한 해부학적 맥락에서 복부 CT 영상에서 매우 다양성이 큰 간 병변과 병적 림프절을 안정적으로 검출하고 분할할 수 있는가?
• RQ2 마진 공간 학습, 캐스케이드된 AdaBoost 분류기, 그리고 CNN 향상된 활성 윤곽의 통합이 저대비 및 이질적인 병변에서 성능을 어떻게 향상시키는가?
• RQ3 공간 제약 조건(예: 간의 국소화)이 다양한 기관의 병변 검출 성능에 미치는 영향은 무엇인가?
• RQ4 낮은 조직 대비, 비정상적인 형태 또는 모호한 경계를 가진 도전적인 케이스에서 이 방법은 어떻게 성능을 발휘하는가?

주요 결과

• 10겹 교차 검증에서 파이프라인은 간 병변과 림프절 모두에서 검출 민감도 0.53을 달성했으며, 간 병변의 민감도는 0.85, 림프절은 0.51이었다.
• 자동 병변 검출을 사용할 경우 병변 분할의 평균 Dice 점수는 0.71±0.15였고, 수동 검출 점수를 사용할 경우 0.77±0.04였다.
• 림프절의 경우 자동 검출을 사용할 경우 Dice 점수는 0.71±0.16, 수동 검출을 사용할 경우 0.77±0.03였으며, 이는 높은 분할 성능을 의미한다.
• 간 병변 분할의 경우 자동 검출을 사용할 경우 Dice 점수는 0.67±0.20, 수동 검출을 사용할 경우 0.82±0.14였으며, 이는 훈련 데이터가 적고 형태학적으로 더 복잡하기 때문에 변동성이 더 크다는 것을 반영한다.
• 이 방법은 매우 이질적이고 저대비 병변에서도 강건성을 보였으며, 일부 케이스에서 영상의학자가 자동 윤곽이 수동 윤곽보다 더 정확하다고 평가했다.
• 림프절 검출은 간 병변 검출보다 유의미하게 민감도가 낮았는데, 주로 공간 제약 조건이 없고 림프절이 작고 저대비이기 때문이다.