[논문 리뷰] Assessing the Role of Random Forests in Medical Image Segmentation

Dennis Hartmann, Dominik Müller외 2명|arXiv (Cornell University)|2021. 03. 30.

Retinal Imaging and Analysis참고 문헌 6인용 수 6

한 줄 요약

이 연구는 의료 영상 분할을 위한 딥 컨volution 신경망(DCNNs)의 GPU가 없는 대안으로 랜덤 포레스트(Random Forests)를 평가한다. PhC-C2DH-U373 및 망막 영상 데이터셋을 사용하여, DCNNs가 최고의 성능를 보이지만, 한 가지 랜덤 포레스트 방법이 이와 유사한 성능를 기록함으로써, GPU가 없는 자원 제한 환경에서도 이들이 실용적임을 보여준다.

ABSTRACT

Neural networks represent a field of research that can quickly achieve very good results in the field of medical image segmentation using a GPU. A possible way to achieve good results without GPUs are random forests. For this purpose, two random forest approaches were compared with a state-of-the-art deep convolutional neural network. To make the comparison the PhC-C2DH-U373 and the retinal imaging datasets were used. The evaluation showed that the deep convolutional neutral network achieved the best results. However, one of the random forest approaches also achieved a similar high performance. Our results indicate that random forest approaches are a good alternative to deep convolutional neural networks and, thus, allow the usage of medical image segmentation without a GPU.

연구 동기 및 목표

• 랜덤 포레스트가 GPU에 의존하지 않고도 의료 영상 분할에서 높은 성능를 달성할 수 있는지 평가하는 것.
• 최신 기술 수준의 딥 컨volution 신경망(DCNN)과 비교하여 두 가지 랜덤 포레스트 기반 방법의 성능를 비교하는 것.
• 특히 자원이 제한된 환경에서 랜덤 포레스트가 딥 러닝의 실용적 대안이 될 수 있는지 판단하는 것.
• 공개 데이터셋을 사용하여 다양한 의료 영상 모odalities에 걸쳐 랜덤 포레스트 접근법의 일반화 능력을 평가하는 것.

제안 방법

• 지역 이미지 특징과 공간적 맥락을 활용하여 픽셀 단위 분류를 수행하는 두 가지 별개의 랜덤 포레스트 기반 분할 접근법을 구현하였다.
• 비교를 위한 기준 모델로 최신 기술 수준의 딥 컨volution 신경망(DCNN)을 사용하였다.
• 모델들은 공개된 의료 영상 데이터셋 두 개인 PhC-C2DH-U373(위상 대비 현미경 영상)과 망막 영상(기저막 사진)에서 훈련 및 평가되었다.
• 특징 공학에는 각 픽셀 주변의 국소 이미지 패치에서 추출한 강도, 무늬, 형태학적 특징이 포함되었다.
• 랜덤 포레스트 앙상블 내의 트리들 간의 다수결 투표를 통해 픽셀 단위 예측을 생성하였다.
• 성능는 딱딱한 분할 지표인 Dice 계수와 Jaccard 지수와 같은 표준 지표를 사용하여 측정되었다.

실험 결과

연구 질문

• RQ1 랜덤 포레스트는 의료 영상 분할에서 최신 기술 수준의 딥 컨volution 신경망과 비교해 경쟁력 있는 성능를 달성할 수 있는가?
• RQ2 다양한 의료 영상 데이터셋에서 서로 다른 랜덤 포레스트 설정은 어떻게 성능를 보이는가?
• RQ3 GPU 접근이 없는 환경에서 랜덤 포레스트가 얼마나 실용적인 대안이 될 수 있는가?
• RQ4 특징 공학과 공간적 맥락은 랜덤 포레스트 기반 분할 정확도에 어떤 영향을 미치는가?

주요 결과

• 딥 컨volution 신경망은 두 데이터셋에서 모두 최고의 분할 성능를 기록하여, 이 작업에서 현재의 우월성을 확인하였다.
• 랜덤 포레스트 방법 중 하나가 PhC-C2DH-U373 데이터셋에서 DCNN과 유사한 Dice 계수를 기록하여 강력한 경쟁 성능를 보였다.
• 랜덤 포레스트 방법은 망막 영상 데이터셋에서도 뛰어난 강건성과 높은 정확도를 보였지만, DCNN 성능보다 略적으로 낮았다.
• 결과는 랜덤 포레스트가 GPU 가속을 요구하지 않고도 높은 분할 정확도를 제공할 수 있음을 시사하며, 자원이 제한된 임상 환경에 적합함을 나타낸다.