[논문 리뷰] Accurate Pulmonary Nodule Detection in Computed Tomography Images Using Deep Convolutional Neural Networks

Jia Ding, Aoxue Li외 2명|arXiv (Cornell University)|2017. 06. 14.

Lung Cancer Diagnosis and Treatment참고 문헌 4인용 수 50

한 줄 요약

이 논문은 axial 슬라이스에서 nodule 후보 탐지를 위한 deconvolutional Faster R-CNN을 사용한 2단계 CAD 시스템과 그 다음 3D DCNN을 이용한 거짓 양성 감소를 통해 LUNA16에서 최상위 성능을 달성한다.

ABSTRACT

Early detection of pulmonary cancer is the most promising way to enhance a patient's chance for survival. Accurate pulmonary nodule detection in computed tomography (CT) images is a crucial step in diagnosing pulmonary cancer. In this paper, inspired by the successful use of deep convolutional neural networks (DCNNs) in natural image recognition, we propose a novel pulmonary nodule detection approach based on DCNNs. We first introduce a deconvolutional structure to Faster Region-based Convolutional Neural Network (Faster R-CNN) for candidate detection on axial slices. Then, a three-dimensional DCNN is presented for the subsequent false positive reduction. Experimental results of the LUng Nodule Analysis 2016 (LUNA16) Challenge demonstrate the superior detection performance of the proposed approach on nodule detection(average FROC-score of 0.891, ranking the 1st place over all submitted results).

연구 동기 및 목표

• 폐 CT에서 2D 후보 탐지와 3D 거짓 양성 감소를 결합하여 폐 결절 탐지 성능을 개선한다.
• 3D 컨텍스트 정보를 포착하여 결절과 거짓 양성 간의 판별을 향상시킨다.
• LUNA16 데이터셋에서 최첨단 성능을 보여준다.
• 소형 결절에 대한 특징 표현을 향상시키는 deconvolution의 효과를 보인다.
• 임상 사용 임계값(1–4 FP/스캔)에 적합한 실용 CAD 프레임워크를 제공한다.

제안 방법

• axial CT 슬라이스에서 작은 결절 탐지를 향상시키기 위해 deconvolutional 층을 갖춘 Faster R-CNN을 확장한다.
• 결절 규모에 맞추기 위해 크기 4x4에서 32x32의 여섯 개 앵커를 사용한다.
• RPN과 ROI 분류기를 분류 및 경계 상자 회귀에 대한 다항식 손실로 공동 학습한다.
• ROI 풀링과 ROI 정제용 2x4096 FC 분류기/회귀기를 적용한다.
• 후보 중심을 둘러싼 40x40x24 패치를 자르고 3D DCNN 기반의 FP 감소를 수행한다.
• 3D DCNN 학습을 위한 데이터 증강에는 자르기, 세 축에 대한 뒤집기, 이중 샘플링 균형화가 포함된다.

실험 결과

연구 질문

• RQ1 deconvolutional 확장을 갖춘 Faster R-CNN이 축상 CT 슬라이스에서 후보 결절 탐지를 개선할 수 있는가?
• RQ2 3D DCNN을 통한 3D 맥락 정보를 도입하는것이 2D 접근법보다 거짓 양성 감소를 개선하는가?
• RQ3 LUNA16 데이터셋에서 탐지 민감도와 스캔당 거짓 양성 수에 대한 전체 효과는 어떻게 되는가?
• RQ4 앵커 구성은 다양한 크기의 결절 후보 탐지 성능에 어떤 영향을 미치는가?

주요 결과

• LUNA16 NDET에서 평균 FROC 점수 0.891을 달성하여 제출 결과 중 1위를 차지했다.
• 스캔당 15.0개의 후보에서 후보 탐지 민감도 0.946를 달성했다.
• 3D DCNN을 이용한 거짓 양성 감소가 2D 접근법(NIN 기준선)보다 FP 감소에서 우수했다.
• 데컨볼루션을 이용한 2D 후보 탐지가 deconv 없이 및 더 적은 앵커를 사용한 기준선 대비 성능을 향상시켰다.
• 시스템의 민감도는 각각 1 FP/스캔에서 92.2%, 4 FP/스캔에서 94.4%에 이른다.