[논문 리뷰] Automated GI tract segmentation using deep learning

Manhar Sharma|arXiv (Cornell University)|2022. 06. 22.

Radiomics and Machine Learning in Medical Imaging인용 수 7

한 줄 요약

이 연구는 복부 MRI 영상에서 위장관계 기관의 자동 분할을 위해 다양한 백본을 사용한 U-Net 기반의 딥러닝 세분화 프레임워크를 제안한다. 이는 효율넷-B3 백본을 사용하여 평균 교차율(IoU) 점수 85.3%를 달성한다. 방법은 바이너리 교차엔트로피와 Tversky 손실을 조합한 하이브리드 손실 함수를 사용하여 위, 대장, 소장의 정확하고 빠르며 신뢰할 수 있는 윤곽 추출을 가능하게 하여 방사선 치료 계획을 향상시킨다.

ABSTRACT

The job of Radiation oncologists is to deliver x-ray beams pointed toward the tumor and at the same time avoid the stomach and intestines. With MR-Linacs (magnetic resonance imaging and linear accelerator systems), oncologists can visualize the position of the tumor and allow for precise dose according to tumor cell presence which can vary from day to day. The current job of outlining the position of the stomach and intestines to adjust the X-ray beams direction for the dose delivery to the tumor while avoiding the organs. This is a time-consuming and labor-intensive process that can easily prolong treatments from 15 minutes to an hour a day unless deep learning methods can automate the segmentation process. This paper discusses an automated segmentation process using deep learning to make this process faster and allow more patients to get effective treatment.

연구 동기 및 목표

• 방사선 옹류학에서 위장관계 기관(위, 대장, 소장)의 수작업 분할 과정을 자동화하기 위한 목적으로.
• U-Net 인코더(ResNet, 효율넷, VGG16, MobileNet, 효율넷)의 다양한 성능을 위장관계 기관 분할에 대해 평가하기 위한 목적으로.
• 저자료, 의료 영상 환경에서 고정밀도 세분화를 위해 최적의 손실 함수 조합과 백본 아키텍처 조합을 규명하기 위한 목적으로.
• 딥러닝을 활용한 위장관계 기관 분할의 새로운 기준을 설정하여 더 빠르고 확장 가능한 암 치료 계획 지원을 위한 목적으로.

제안 방법

• 인코더-디코더 아키텍처를 가진 U-Net 아키텍처를 사용하였으며, 인코더는 특징을 추출하고 디코더는 세분화 마스크를 재구성한다.
• 입력 영상은 해부학적 정합성을 유지하기 위해 0 패딩 또는 자르기 방식으로 288×288 크기로 조정하여 리사이징에 의한 왜곡을 방지한다.
• 분할 성능에 미치는 영향을 평가하기 위해 다양한 사전 학습된 백본(효율넷-B3, ResNet34/50, VGG16, MobileNetV2)을 평가하였다.
• 불균형한 기관 마스크에 특화된 정확도 향상을 위해 바이너리 교차엔트로피(BCE)와 Tversky 손실을 조합한 하이브리드 손실 함수(0.4×Tversky + 0.6×BCE)를 사용하였다.
• 학습에 Adam 옵timizer를 사용하였으며, 학습률 스케줄링으로 코즈인 애너일링을 적용하고 배치 크기는 32, 학습 에포크 수는 80으로 설정하였다.
• 후처리 단계에서 시그모이드 활성화 함수를 적용한 후, 임계값 0.5를 기준으로 이진 마스크로 변환하였다.

실험 결과

연구 질문

• RQ1 어느 U-Net 백본 아키텍처가 MRI 영상에서 위장관계 기관의 분할 정확도를 가장 높게 산출하는가?
• RQ2 BCE와 Tversky 손실의 조합이 다른 손실 함수와 비교해 위장관계 기관 분할에서 IoU 성능에 미치는 영향은 어떠한가?
• RQ3 유연한 변형, 기울임 등의 데이터 증강 기법이 이 저자료 의료 영상 환경에서 모델 일반화 능력 향상에 뚜렷한 영향을 미치는가?
• RQ4 위장관계 데이터셋이 제한적이고 불균형한 특성을 지닌 상황에서, 광범위한 데이터 증강 없이도 높은 성능을 달성할 수 있는가?
• RQ5 작고 서로 가까이 붙어 있는 위장관계 기관을 분할할 때 정밀도와 재현율을 균형 있게 유지하기 위한 최적의 손실 함수 설정은 무엇인가?

주요 결과

• BCE + Tversky 손실 함수를 사용한 효율넷-B3 백본이 평균 IoU 점수 85.3%로 가장 높은 성능을 기록하였다.
• BCE + Tversky 손실 함수는 IoU + Tversky 및 IoU 전용 손실 함수보다 우수한 성능을 보였으며, 클래스 불균형 분할 과제에 대한 최적화 능력이 뛰어나다는 것을 시사한다.
• 효율넷-B1은 85.0% IoU를 기록하여 더 작은 백본임에도 불구하고 뛰어난 성능을 보였으며, 이는 효율성-정확도 트레이드오프가 유리함을 시사한다.
• VGG16는 가장 낮은 성능을 보였지만, 최적의 손실 함수를 적용한 결과 82.7% IoU를 기록하여 기준 성능의 안정성을 입증하였다.
• 유연한 변형 및 이동-스케일-기울임 등의 데이터 증강 기법이 모델 성능에 눈에 띄는 영향을 주지 않아, 모델이 이미 잘 정규화되어 있음을 시사한다.
• 위, 대장, 소장 세 기관 유형 전반에 걸쳐 일관된 성능을 기록하였으며, 특정 기관에 대한 성능 저하 현상은 관찰되지 않았다.