[논문 리뷰] A Lumen Segmentation Method in Ureteroscopy Images Based on a Deep Residual U-Net Architecture

Jorge F. Lazo|arXiv (Cornell University)|2020. 01. 01.

Colorectal Cancer Screening and Detection참고 문헌 27인용 수 6

한 줄 요약

이 논문은 저명도가 낮고 잡음이 많은 내시경 영상 조건에서도 강건한 성능을 보이며, 회색조 입력을 활용하여 데스크탑 분할 정확도(Dice Score) 0.73, 정밀도 0.58, 재현율 0.92를 달성한 딥 리스크리드 U-Net 아키텍처를 제안한다. 기존 U-Net 대비 학습 안정성과 수렴 성능을 향상시켜, 낮은 대trast와 잔여물로 인한 도전적인 영상 조건에서도 강력한 일반화 능력을 입증한다.

ABSTRACT

Ureteroscopy is becoming the first surgical treatment option for the majority of urinary affections. This procedure is performed using an endoscope which provides the surgeon with the visual information necessary to navigate inside the urinary tract. Having in mind the development of surgical assistance systems, that could enhance the performance of surgeon, the task of lumen segmentation is a fundamental part since this is the visual reference which marks the path that the endoscope should follow. This is something that has not been analyzed in ureteroscopy data before. However, this task presents several challenges given the image quality and the conditions itself of ureteroscopy procedures. In this paper, we study the implementation of a Deep Neural Network which exploits the advantage of residual units in an architecture based on U-Net. For the training of these networks, we analyze the use of two different color spaces: gray-scale and RGB data images. We found that training on gray-scale images gives the best results obtaining mean values of Dice Score, Precision, and Recall of 0.73, 0.58, and 0.92 respectively. The results obtained shows that the use of residual U-Net could be a suitable model for further development for a computer-aided system for navigation and guidance through the urinary system.

연구 동기 및 목표

• 정확한 요로 루멘 분할을 통해 내시경 수술 보조 탐색 시스템을 개발하기 위해.
• 저품질이며 잡음이 많은 내시경 영상에서의 루멘 분할 과제를 해결하기 위해.
• 색상 공간(회색조 대비 RGB)이 분할 성능에 미치는 영향을 평가하기 위해.
• U-Net 아키텍처에 리스크리드 블록을 통합하여 학습 안정성과 수렴 성능을 향상시키기 위해.
• 루멘 탐지에서 거짓 음성(false negative)을 최소화하여 더 안전한 수술 탐색을 가능하게 하기 위해.

제안 방법

• 리스크리드 블록을 통합한 리스크리드 U-Net 아키텍처를 사용하여 기울기 소실 문제를 완화한다.
• 성능 비교를 위해 두 가지 영상 모odal(회색조 및 RGB)을 사용하여 네트워크를 학습시킨다.
• 제한된 데이터셋에서 과적합을 방지하기 위해 데이터 증강 및 하이퍼파라미터 튜닝을 적용한다.
• U-Net의 인코더-디코더 구조를 통해 공간 해상도를 유지하여 정밀한 분할을 달성한다.
• 분할 성능 평가를 위해 손실 함수와 메트릭(데스크탑 점수, 정밀도, 재현율)을 사용한다.
• 상부 기도 악성 종양 제거 수술 기간 동안 수집한 수술 영상 데이터셋을 기반으로 학습을 수행한다.

실험 결과

연구 질문

• RQ1 표준 U-Net 대비 U-Net에 리스크리드 블록을 적용할 경우 내시경 영상에서 루멘 분할 성능이 향상되는가?
• RQ2 정확한 루멘 분할을 위해 RGB 데이터가 반드시 필요한가, 아니면 회색조 입력만으로도 충분한가?
• RQ3 영상 잡음과 해부학적 변형은 분할의 강건성에 어떤 영향을 미치는가?
• RQ4 학습 데이터에 포함되지 않은 구조(예: 종양, 레이저 빛)에 대해서도 모델이 일반화 가능한가?
• RQ5 임상적 탐색 환경에서 정밀도와 재현율 간의 상충 관계는 어떠한가?

주요 결과

• 회색조 영상으로 학습한 리스크리드 U-Net은 검증 데이터에서 데스크탑 점수 0.73, 정밀도 0.58, 재현율 0.92를 달성했다.
• 회색조 학습이 RGB 학습보다 12% 높은 데스크탑 점수(유의수준 p<0.05)를 기록하여, 색상 채널이 추가로 유의미한 성능 향상 기여를 하지 않았음을 시사한다.
• 표준 U-Net 대비 리스크리드 U-Net이 더 매끄러운 학습 곡선과 더 빠른 수렴 성능을 보였다.
• 높은 재현율(0.92)은 거짓 음성율이 낮음을 시사하며, 이는 탐색 오류를 방지하는 데 매우 중요하다.
• 거짓 양성은 주로 루멘 경계에 국한되어 있었고, 중심 루멘 영역은 일관되게 탐지되었다.
• 종양이나 레이저 빛이 포함된 프레임에서는 모델의 성능 저하가 관찰되어 일반화 능력을 향상시키기 위해 데이터 증강이 필요하다.