[논문 리뷰] A Model-Driven Stack-Based Fully Convolutional Network for Pancreas Segmentation

Hao Li, Jun Li외 2명|arXiv (Cornell University)|2019. 03. 03.

Advanced Neural Network Applications참고 문헌 41인용 수 7

한 줄 요약

이 논문은 2D 및 국소 3D 맥락을 스택 기반 구조와 데이터 근사화 및 사전 지식 정규화를 조합한 비용 함수를 통해 통합하는 모델 기반 스택 기반 완전 컨volution 네트워크인 MDS-Net을 제안한다. 슬라이딩 윈도우 융합을 활용한 스택 기반 U-Net 아키텍처를 통해 MDS-Net은 NIH Pancreas-CT 데이터셋에서 기존의 데이터 기반 방법들보다 신뢰성과 정밀도 면에서 뛰어난 췌장 세그멘테이션 정확도를 달성한다.

ABSTRACT

The irregular geometry and high inter-slice variability in computerized tomography (CT) scans of the human pancreas make an accurate segmentation of this crucial organ a challenging task for existing data-driven deep learning methods. To address this problem, we present a novel model-driven stack-based fully convolutional network with a sliding window fusion algorithm for pancreas segmentation, termed MDS-Net. The MDS-Net's cost function includes a data approximation term and a prior knowledge regularization term combined with a stack scheme for capturing and fusing the two-dimensional (2D) and local three-dimensional (3D) context information. Specifically, 3D CT scans are divided into multiple stacks to capture the local spatial context feature. To highlight the importance of single slices, the inter-slice relationships in the stack data are also incorporated in the MDS-Net framework. For implementing this proposed model-driven method, we create a stack-based U-Net architecture and successfully derive its back-propagation procedure for end-to-end training. Furthermore, a sliding window fusion algorithm is utilized to improve the consistency of adjacent CT slices and intra-stack. Finally, extensive quantitative assessments on the NIH Pancreas-CT dataset demonstrated higher pancreatic segmentation accuracy and reliability of MDS-Net compared to other state-of-the-art methods.

연구 동기 및 목표

• 비정형 기하학적 특성과 높은 슬라이스 간 변동성이 있는 CT 스캔에서 정확한 췌장 세그멘테이션을 달성하는 데 도전하는 것.
• 모델 기반 프레임워크에서 데이터 근사화와 정규화를 조합하여 사전 지식과 공간 맥락을 딥 러닝에 통합하는 것.
• 슬라이딩 윈도우 융합 전략을 통해 인접한 슬라이스 간의 세그멘테이션 일관성을 향상시키고 스택 내부에서의 일관성을 개선하는 것.
• 유도된 역전파 절차를 갖춘 엔드 투 엔드 학습 가능한 스택 기반 U-Net 아키텍처를 개발하여 3D 맥락 모델링을 수행하는 것.

제안 방법

• MDS-Net 프레임워크는 3D CT 스캔을 국소 3D 맥락을 가진 다수의 2D 슬라이스로 나누는 스택 기반 구조를 사용하여 3D 공간적 특징을 캡처한다.
• 해부학적 타당성을 강제하기 위해 데이터 근사화 항과 사전 지식 정규화 항을 포함한 비용 함수를 설계한다.
• 다중 슬라이스 스택을 처리하기 위해 스택 기반 U-Net 아키텍처를 제안하며, 엔드 투 엔드 학습을 위한 역전파가 유도된다.
• 각 스택 내의 슬라이스 간 관계를 명시적으로 모델링하여 구조적 연속성을 유지하고 특징 표현을 향상시킨다.
• 슬라이딩 윈도우 융합 알고리즘을 적용하여 인접한 슬라이스 간 및 스택 내부에서 예측을 정밀하게 보정함으로써 공간 일관성을 향상시킨다.
• 국소 3D 맥락과 단일 슬라이스 특징을 융합하여 세그멘테이션 정확도와 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 사전 지식을 통합하는 모델 기반 접근 방식이 비정형적이고 변동성이 큰 CT 스캔에서 췌장 세그멘테이션 성능을 향상시킬 수 있는가?
• RQ2 스택 기반 3D 맥락 모델링 전략은 2D 슬라이스 내 국소 공간적 의존성을 얼마나 효과적으로 캡처할 수 있는가?
• RQ3 스택 내 슬라이스 간 관계 융합이 세그멘테이션 일관성과 정확도를 향상시키는가?
• RQ4 슬라이딩 윈도우 융합 알고리즘이 인접한 CT 슬라이스 간의 불일치를 어느 정도 감소시킬 수 있는가?
• RQ5 맞춤형 역전파 절차를 갖춘 스택 기반 U-Net이 표준 2D 또는 3D U-Net 변종보다 뛰어난 성능을 달성할 수 있는가?

주요 결과

• MDS-Net은 NIH Pancreas-CT 데이터셋에서 최신 기술 대비 더 높은 세그멘테이션 정확도를 달성하여 도전적인 해부학적 영역에서 뛰어난 성능을 입증했다.
• 사전 지식 정규화 통합이 저대비 및 비정형 형태 영역에서 세그멘테이션 신뢰성을 크게 향상시켰다.
• 슬라이딩 윈도우 융합 알고리즘이 인접한 슬라이스 간 불일치를 효과적으로 감소시켜 세그멘테이션 마스크의 공간 일관성을 향상시켰다.
• 스택 기반 아키텍처는 국소 3D 맥락을 성공적으로 캡처하여 췌장의 경계 선명도 향상에 기여했다.
• 유도된 역전파 절차를 갖춘 엔드 투 엔드 학습 가능한 스택 기반 U-Net은 2D 및 3D 특징을 동시에 효과적으로 학습할 수 있도록 했다.