[논문 리뷰] Automated Pulmonary Nodule Detection via 3D ConvNets with Online Sample Filtering and Hybrid-Loss Residual Learning

Qi Dou, Hao Chen외 4명|arXiv (Cornell University)|2017. 08. 13.

Lung Cancer Diagnosis and Treatment참고 문헌 12인용 수 12

한 줄 요약

이 논문은 저선량 CT 스캔에서 자동 폐 결절 검출을 위한 이단계 3D ConvNet 프레임워크를 제안한다. 학습 중 경미한/어려운 샘플의 불균형을 해결하기 위해 온라인 샘플 필터링을 사용하고, 공간적 정보와 크기 정보를 활용하여 검출 정확도를 향상시키기 위해 하이브리드 손실 잔차 네트워크를 도입한다. 이 방법은 LUNA16 데이터셋에서 CMP 0.839를 달성하여, 1스캔당 2개의 위양성(false positive)에서 90.6%의 민감도를 기록한 최신 기술들을 초월한다.

ABSTRACT

In this paper, we propose a novel framework with 3D convolutional networks (ConvNets) for automated detection of pulmonary nodules from low-dose CT scans, which is a challenging yet crucial task for lung cancer early diagnosis and treatment. Different from previous standard ConvNets, we try to tackle the severe hard/easy sample imbalance problem in medical datasets and explore the benefits of localized annotations to regularize the learning, and hence boost the performance of ConvNets to achieve more accurate detections. Our proposed framework consists of two stages: 1) candidate screening, and 2) false positive reduction. In the first stage, we establish a 3D fully convolutional network, effectively trained with an online sample filtering scheme, to sensitively and rapidly screen the nodule candidates. In the second stage, we design a hybrid-loss residual network which harnesses the location and size information as important cues to guide the nodule recognition procedure. Experimental results on the public large-scale LUNA16 dataset demonstrate superior performance of our proposed method compared with state-of-the-art approaches for the pulmonary nodule detection task.

연구 동기 및 목표

• 폐 결절 검출을 위한 의료 영상 데이터셋에서 심각한 어려운/쉬운 샘플 불균형 문제를 해결하기 위해.
• 국소화된 애너테이션(위치 및 크기)을 감독 신호로 활용하여 검출 정확도를 향상시키기 위해.
• 대규모 임상 스크리닝 응용 프로그램에 적합한 효율적이고 종단 간(end-to-end) 프레임워크를 개발하기 위해.
• 학습 중 동적이고 실시간의 샘플 선택을 통해 모델의 일반화 능력과 식별 능력을 향상시키기 위해.

제안 방법

• 높은 손실(어려운) 샘플을 우선순위로 삼는 온라인 샘플 필터링(OSF) 기반의 3D 완전 컨volution 네트워크(FCN)를 학습시켜 모델의 식별 능력을 향상시킨다.
• 후보 스크리닝 단계에서는 5개의 컨볼루션 레이어와 1개의 맥스 풀링 레이어를 갖춘 3D FCN를 사용하여 결절 후보 검출을 위한 3D 스코어 볼륨을 생성한다.
• 위양성 감소를 위해 하이브리드 손실 잔차 네트워크를 설계하였으며, 위치 및 지름 예측을 위한 이진 교차 엔트로피 손실과 회귀 손실을 결합한다.
• 하이브리드 손실 함수는 분류와 회귀 감독을 통합하여, 네트워크가 결절 존재 여부뿐 아니라 해부학적 특징까지 학습할 수 있도록 한다.
• 프레임워크는 전체 CT 볼륨을 완전히 컨볼루션 방식으로 처리하여, 1스캔당 1분 미만의 빠른 추론이 가능하다.
• 모델은 표준 FROC 및 CMP 메트릭을 사용하여 공개된 LUNA16 데이터셋에서 학습 및 평가된다.

실험 결과

연구 질문

• RQ1 심각한 클래스 불균형이 존재하는 폐 결절 검출에서 온라인 샘플 필터링이 모델 성능 향상에 기여하는가?
• RQ2 국소화된 애너테이션(위치 및 크기)을 감독 신호로 통합하면 결절 인식 정확도가 향상되는가?
• RQ3 하이브리드 손실 잔차 네트워크가 표준 분류 네트워크보다 진짜 결절과 유사한 병변을 구분하는 데 더 우수한가?
• RQ4 제안된 프레임워크는 민감도 및 위양성 비율 측면에서 최신 기술 대비 어떻게 비교되는가?

주요 결과

• 제안된 방법은 LUNA16 데이터셋에서 CMP 0.839를 달성하여, 모든 다른 최신 기술 방법들을 능가한다.
• 1스캔당 2개의 위양성에서 90.6%의 민감도를 기록하여 강력한 임상 적용 가능성을 입증한다.
• 온라인 샘플 필터링 기법은 스크리닝 민감도를 94.3%에서 97.1%로 향상시키고, 1스캔당 위양성 수를 286.2개에서 219.1개로 감소시켰다.
• 하이브리드 손실 잔차 네트워크는 1.0 FP-scan에서 90.5%의 민감도를 기록하여, 단순 깊은 네트워크(84.8%)와 표준 잔차 네트워크(86.7%)를 크게 능가한다.
• 제거 분석(ablation study) 결과, 온라인 샘플 필터링과 하이브리드 손실 감독이 성능 향상에 독립적이고 상호 보완적으로 기여하는 것으로 확인되었다.
• 프레임워크는 1스캔을 1분 이내에 처리하여, 대규모 스크리닝 프로그램에 적합하다.