[논문 리뷰] A Pulmonary Nodule Detection Model Based on Progressive Resolution and Hierarchical Saliency

Junjie Zhang, Yong Xia외 1명|arXiv (Cornell University)|2018. 07. 02.

Lung Cancer Diagnosis and Treatment참고 문헌 11인용 수 3

한 줄 요약

이 논문은 흉부 CT 스캔에서 폐 결절 검출을 위한 이단계 딥러닝 프레임워크를 제안한다. 먼저 3D 점진적 해상도 기반 완전 컨volution 신경망(PRN)을 사용해 후보 결절을 탐지하고, 이후 계층적 시각적 중요도 3D CNN(HSN)을 활용해 진정한 결절을 분류하고 그 직경을 추정한다. 이 방법은 LUNA16 벤치마크에서 기존 최고 성능 기록인 0.951을 초월하는 최신 기술 수준의 FROC 점수 0.958을 달성하였다.

ABSTRACT

Detection of pulmonary nodules on chest CT is an essential step in the early diagnosis of lung cancer, which is critical for best patient care. Although a number of computer-aided nodule detection methods have been published in the literature, these methods still have two major drawbacks: missing out true nodules during the detection of nodule candidates and less-accurate identification of nodules from non-nodule. In this paper, we propose an automated pulmonary nodule detection algorithm that jointly combines progressive resolution and hierarchical saliency. Specifically, we design a 3D progressive resolution-based densely dilated FCN, namely the progressive resolution network (PRN), to detect nodule candidates inside the lung, and construct a densely dilated 3D CNN with hierarchical saliency, namely the hierarchical saliency network (HSN), to simultaneously identify genuine nodules from those candidates and estimate the diameters of nodules. We evaluated our algorithm on the benchmark LUng Nodule Analysis 2016 (LUNA16) dataset and achieved a state-of-the-art detection score. Our results suggest that the proposed algorithm can effectively detect pulmonary nodules on chest CT and accurately estimate their diameters.

연구 동기 및 목표

• 기존 CADe 시스템이 진정한 결절을 놓치거나 비결절을 잘못 분류하는 데서 비롯되는 한계를 해결하기 위해.
• 다중 척도 및 점진적 해상도 특징 학습을 활용해 결절 후보 탐지 성능을 향상시키기 위해.
• 3D CNN 내 계층적 시각적 중요도 특징을 활용해 결절 검증 및 직경 추정 성능을 향상시키기 위해.
• LUNA16 벤치마크 데이터셋에서 최신 기술 수준의 성능을 달성하기 위해.
• 임상 현장에 적합한 정확하고 실시간 검출이 가능한 방법을 제공하기 위해.

제안 방법

• 점진적 해상도 네트워크(PRN)는 다양한 해상도에서 다중 척도 수용 영역을 갖춘 3D 밀집 확장 FCN을 사용해 결절 후보를 탐지한다.
• 계층적 시각적 중요도 네트워크(HSN)는 3D CNN을 활용해 후보를 진정한 결절로 분류하고 직경을 추정한다.
• HSN는 3D 전이 레이어와 3D DDB 블록을 사용해 다중 수준의 맥락적 특징을 캡처한다.
• 직경 추정을 위한 회귀 헤드는 평균 절대 오차 손실을 사용하고, 결절의 진위성을 판단하기 위한 분류 헤드는 선형 출력을 사용한다.
• 회전 및 반전을 통한 데이터 증강을 통해 양성 샘플의 다양성을 높였으며, 학습 중 양성 대 음성 샘플 비율을 1:10으로 설정하였다.
• 테스트는 폐 전체에 걸쳐 32×32×32 박상으로 슬라이딩 윈도우를 적용하고, 증강된 예측 결과에 대해 다수결 투표 및 평균화를 통해 최종 검출 결과를 도출하였다.

실험 결과

연구 질문

• RQ1 3D CT 스캔에서 작은 결절 후보를 보다 효과적으로 탐지하기 위해 점진적 해상도 전략이 유용한가?
• RQ2 3D CNN 내 계층적 시각적 중요도 특징이 진정한 결절과 가짜 양성 간의 구분 능력을 향상시키는가?
• RQ3 후보 탐지와 정교한 분류의 병행 사용이 벤치마크 데이터셋에서 전체 결절 검출 성능을 향상시키는가?
• RQ4 제안된 방법이 LUNA16 데이터셋에서 기존 최신 기술 수준의 방법들보다 뛰어난 성능을 내는가?
• RQ5 이 방법은 실시간 임상 적용에 충분히 계산 효율성이 있는가?

주요 결과

• 제안된 방법은 LUNA16 데이터셋에서 FROC 점수 0.958을 달성하여 이전 최고 기록인 0.951을 초월하였다.
• 검출된 결절과 진짜 직경 간 평균 절대 오차는 1.34 mm로, 크기 추정의 높은 정확도를 보였다.
• 5 mm 이하의 작은 결절을 성공적으로 탐지하여 초기 병변에 대한 민감도를 입증하였다.
• HSN 모델은 계층적 시각적 중요도를 활용해 결절과 비결절 조직 간 미세한 시각적 차이를 효과적으로 구분함으로써 가짜 양성의 수를 줄였다.
• PRN 학습은 약 18시간, HSN 학습은 약 23시간 소요되었으며, 표준 하드웨어에서 스캔당 추론 시간은 약 3분이었다.
• LUNA16 챌린지 랭킹에서 상위 5개의 기존 기여자들 모두를 능가하며 새로운 최신 기술 수준의 결과를 확립하였다.