[논문 리뷰] Automated Unsupervised Segmentation of Liver Lesions in CT scans via Cahn-Hilliard Phase Separation

Jana Lipková, Markus Rempfler외 3명|arXiv (Cornell University)|2017. 04. 07.

Hydrocarbon exploration and reservoir analysis참고 문헌 7인용 수 8

한 줄 요약

이 논문은 Cahn-Hilliard 계면 분리 방정식을 사용하여 노이즈가 많은 CT 영상에서 저강도 신호를 강조하고 분리함으로써 간 조직을 건강한 조직과 병변의 혼합상태로 모델링함으로써 3D 비지도 간 병변 세분화 방법을 제안한다. 단순한 강도 기반 임계값 처리 후에도 3Dircadb에서 0.61 ± 0.22, LITS-hypo에서 0.53 ± 0.27의 최신 기준(Dice 점수)을 달성하여 노이즈, 금속 임플란트, 저대trast 병변에 대한 뛰어난 내성 확보를 입증한다.

ABSTRACT

The segmentation of liver lesions is crucial for detection, diagnosis and monitoring progression of liver cancer. However, design of accurate automated methods remains challenging due to high noise in CT scans, low contrast between liver and lesions, as well as large lesion variability. We propose a 3D automatic, unsupervised method for liver lesions segmentation using a phase separation approach. It is assumed that liver is a mixture of two phases: healthy liver and lesions, represented by different image intensities polluted by noise. The Cahn-Hilliard equation is used to remove the noise and separate the mixture into two distinct phases with well-defined interfaces. This simplifies the lesion detection and segmentation task drastically and enables to segment liver lesions by thresholding the Cahn-Hilliard solution. The method was tested on 3Dircadb and LITS dataset.

연구 동기 및 목표

• 고소음, 저대trast, 병변의 다양성으로 인해 어려움을 겪는 CT 영상에서의 자동 간 병변 세분화 문제를 해결하기 위해.
• 학습 데이터의 레이블링이나 인간의 간섭 없이도 작동하는 비지도 방법을 개발하여 수동 또는 반자동 접근 방식에 비해 더 높은 재현 가능성을 확보하기 위해.
• 에너지 최소화 확산을 통해 병변의 가시성을 향상시키고 정확한 세분화를 가능하게 하기 위해 계면 분리의 물리적 원리를 활용하기 위해.
• 금속 임플란트나 다양한 촬영 프로토콜에 따른 영상 강도의 비균일성과 같은 일반적인 영상 잡음에 대한 방법의 내성 평가하기 위해.
• 복잡한 학습 모듈 없이도 Cahn-Hilliard 해의 단순 임계값 처리만으로도 경쟁력 있는 세분화 성능를 달성할 수 있음을 입증하기 위해.

제안 방법

• 방법은 간 CT 영상을 건강한 간 조직과 병변의 두 상태 혼합으로 모델링하며, 각각 다른 강도 분포를 가지며 Cahn-Hilliard 방정식을 통해 계면 분리를 유도한다.
• 공간적 영역은 유한 차분법, 시간적 영역은 전진 오일러 방법을 사용하여 Cahn-Hilliard 방정식을 해석하며, 계산 효율성을 위해 다중 해상도 적응형 격자를 사용한다.
• 자유 에너지 함수는 이중우물 퍼텐셜 $ f(\psi) = \frac{1}{4}\psi^2(1-\psi)^2 $로 정의되어 두 상이 명확히 분리되도록 유도한다.
• 화학적 위치 에너지 $ \mu $ 는 자유 에너지의 변분 도함수로 유도되며, 병변 부피 유지를 위해 이동도 $ M(\psi) = \sqrt{4f(\psi)} $ 를 사용하여 장거리 확산을 방지한다.
• 상태 필드에 하이퍼볼릭 탄젠트 근사치를 적용하여 소프트 확률적 세분화를 계산한 후, [0.15, 1] 범위의 임계값 처리를 통해 최종 병변 마스크를 도출한다.
• 방법은 상대적 강도 차이에 의존하므로 절대 강도 값에 영향을 받지 않으며, 자연스럽게 가장자리 유지 성능을 확보하고 강도 변화에 대해 내성적이다.

실험 결과

연구 질문

• RQ1 Cahn-Hilliard 계면 분리 프레임워크는 학습 데이터가 필요 없이 3D CT 영상에서 저강도 병변을 효과적으로 강조하고 세분화할 수 있는가?
• RQ2 금속 임플란트나 영상 강도의 비균일성과 같은 일반적인 영상 잡음이 존재할 경우, 방법의 성능는 어떻게 되는가?
• RQ3 저대trast 또는 작은 병변의 경우 수동 세분화와 비교해 병변 경계는 얼마나 잘 유지되는가?
• RQ4 기존의 지도학습 및 비지도 방법과 비교해 Cahn-Hilliard 기반 세분화의 성능은 Dice 점수와 병변 탐지율 측면에서 어떻게 되는가?
• RQ5 화학적 위치 에너지나 상 모델을 수정함으로써 이 방법은 다른 장기나 영상 모odalities로 일반화될 수 있는가?

주요 결과

• Cahn-Hilliard 세분화(CHS)는 3Dircadb 데이터셋에서 0.61 ± 0.22의 Dice 점수를 기록하였으며, 동일 연구에서 보고된 컨volutional 신경망 기반 베이스라인을 초월하였다.
• LITS-hypo 서브셋에서는 0.53 ± 0.27의 Dice 점수를 기록하였으며, 민감도는 0.70 ± 0.21로 높았지만 정밀도는 0.52 ± 0.30로 낮아 작은 병변과 가짜 양성 결과에 어려움을 겪고 있음을 시사하였다.
• 금속 임플란트나 강도 변화에 대해 뛰어난 내성을 보였으며, 절대 강도 이동이나 고대비 임플란트 영향 없이도 세분화 결과에 영향을 주지 않았다.
• CHS 방법은 병변 경계를 잘 유지하였으며, 특히 저대trast나 복잡한解부학적 영역에서 수동 세분화보다 과세분화가 적었다.
• LITS-hypo 세트에서 병변 탐지율은 0.85 ± 0.20을 기록하여 작은 병변이나 희소 병변의 경우에도 강력한 병변 위치 특정 능력을 보였다.
• 방법은 계산적으로 효율적이며, 일반적인 4코어 시스템에서 한 간 병변에 대해 약 7분 내외의 시뮬레이션 시간을 기록하여 임상 적용에 실현 가능하다.