[논문 리뷰] A New 2.5D Representation for Lymph Node Detection using Random Sets of Deep Convolutional Neural Network Observations

Holger R. Roth, Le Lü외 7명|arXiv (Cornell University)|2014. 06. 06.

AI in cancer detection참고 문헌 17인용 수 416

한 줄 요약

이 논문은 3D VOI(영역)에서 임의의 2D 재형성 영상( axial, coronal, sagittal)을 다수 생성하여 2.5D 딥 러닝 기반의 림프절(LN) 검출을 제안한다. 이를 통해 3D 볼륨에서의 임의의 2D 영상 100개를 평균화함으로써 3D 볼륨당 3개의 가짜 양성 결과를 기록하면서도 종격장부에서 70%의 민감도를 달성하였으며, Abdomen 영역에선 83%의 민감도를 기록하였다. 이는 이전의 최고 성능 기술보다 뚜렷하게 뛰어난 성능을 보였다.

ABSTRACT

Automated Lymph Node (LN) detection is an important clinical diagnostic task but very challenging due to the low contrast of surrounding structures in Computed Tomography (CT) and to their varying sizes, poses, shapes and sparsely distributed locations. State-of-the-art studies show the performance range of 52.9% sensitivity at 3.1 false-positives per volume (FP/vol.), or 60.9% at 6.1 FP/vol. for mediastinal LN, by one-shot boosting on 3D HAAR features. In this paper, we first operate a preliminary candidate generation stage, towards 100% sensitivity at the cost of high FP levels (40 per patient), to harvest volumes of interest (VOI). Our 2.5D approach consequently decomposes any 3D VOI by resampling 2D reformatted orthogonal views N times, via scale, random translations, and rotations with respect to the VOI centroid coordinates. These random views are then used to train a deep Convolutional Neural Network (CNN) classifier. In testing, the CNN is employed to assign LN probabilities for all N random views that can be simply averaged (as a set) to compute the final classification probability per VOI. We validate the approach on two datasets: 90 CT volumes with 388 mediastinal LNs and 86 patients with 595 abdominal LNs. We achieve sensitivities of 70%/83% at 3 FP/vol. and 84%/90% at 6 FP/vol. in mediastinum and abdomen respectively, which drastically improves over the previous state-of-the-art work.

연구 동기 및 목표

• 낮은 대trast, 다양한 외관을 띠는 CT 영상에서 자동 림프절(LN) 검출 시 높은 가짜 양성 결과 비율 문제를 해결하기 위해.
• mediastinal 및 복부 림프절에서 임상적으로 수용 가능한 가짜 양성 결과 비율(FP/vol.) 유지를 유지하면서 검출 민감도를 향상시키기 위해.
• 표준 2D CNN을 사용하여 전체 3D 컨volution 네트워크 없이도 효과적인 3D 객체 분류가 가능한 2.5D 표현 방식을 개발하기 위해.
• 초기 CADe 시스템에서 약 100% 민감도와 약 40개의 FP/환자로 구성된 결과를 임상적으로 실용적인 수준으로 개선하기 위해.

제안 방법

• 초기 CADe 시스템은 약 94–97% 민감도와 약 25–35 FP/vol.로 림프절 후보군을 생성하며, 본 논문의 방법에 입력으로 사용된다.
• 각 3D VOI는 랜덤 스케일링(4가지 스케일), 3D 이동(최대 3 mm), 및 무작위 축을 중심으로 한 360도 이내의 회전을 통해 N = 100개의 랜덤 2D 이미지 패치로 재샘플링된다.
• 각 2D 패치는 VOI 중심을 통과하는 축방향, coronal, sagittal 단면 영상을 각각 R, G, B 채널에 할당하여 생성된다.
• 딥 컨volution 네트워크(CNN)는 이러한 3채널 2D 패치를 학습하여 각 패치를 림프절 또는 비림프절로 분류하며, 과적합 방지를 위해 랜덤 변형을 통한 데이터 증강 기법을 적용한다.
• 추론 단계에서는 각 VOI의 N개의 랜덤 뷰에 대해 CNN이 확률을 예측하고, 이를 평균하여 최종 후보 분류 확률을 산출한다.
• 최종 결정 임계치는 FROC 곡선 생성을 위해 조정되며, 자유반응 ROC 분석을 통해 성능 평가가 이루어진다.

실험 결과

연구 질문

• RQ1 3D CNN 또는 2D 방법과 비교해 볼 때, 3D VOI의 랜덤 2D 재형성 영상으로 구성된 2.5D 표현 방식이 림프절 검출 민감도 향상과 함께 가짜 양성 결과 감소에 기여하는가?
• RQ2 랜덤 스케일링, 이동, 회전을 통한 데이터 증강 기법이 저대비 CT 영상에서 림프절 분류에 대한 CNN 일반화 능력을 얼마나 효과적으로 향상시키는가?
• RQ3 동일한 3D VOI에 대한 다수의 랜덤 2D 뷰 예측을 평균화하는 것이 단일 뷰 또는 앙상블 기법보다 더 뛰어난 분류 성능을 제공하는가?
• RQ4 mediastinal 및 복부 림프절을 동시에 학습한 단일 CNN 모델이 별도의 모델보다 더 뛰어난 일반화 능력과 성능을 보이는가?
• RQ5 학습 및 추론 시간을 고려할 때, 제안된 2.5D 접근법이 임상적 통합을 위해 계산적으로 효율적이고 확장 가능한가?

주요 결과

• 종격동 영역에서 3개의 가짜 양성 결과/볼륨당 70% 민감도를 달성하였으며, 이는 이전 최고 기술인 3.1 FP/vol.당 52.9% 민감도보다 뚜렷한 향상이다.
• 복부 영역에선 3개의 가짜 양성 결과/볼륨당 83% 민감도를 기록하였으며, 이는 이전 최고 성능인 13.0 FP/vol.당 70.5% 민감도를 뛰어넘었다.
• 복부 영역에서 ROC 곡선 아래 면적(AUC)은 0.76에서 0.942로 향상되어 분류 성능 향상이 뚜렷하게 나타났다.
• FROC 곡선은 N ≥ 25개의 랜덤 뷰에서 빠르게 포화 상태에 도달하여, 중간 정도의 증강(예: N = 100)이 이 설정에서 최적임을 시사한다.
• mediastinal 및 복부 데이터를 함께 학습함으로써 종격동 영역에서 3 FP/vol.당 약 10% 향상된 민감도를 기록하였으며, 더 큰 다양성 있는 훈련 데이터의 이점이 입증되었다.
• 랜덤 뷰에 대한 CNN 예측을 단순 평균화하는 방식이 더 복잡한 융합 전략보다 뛰어난 성능을 보였으며, 깊은 CNN이 고도로 일관되고 고품질의 예측을 제공함을 시사한다.