[논문 리뷰] Automatic airway segmentation from Computed Tomography using robust and efficient 3-D convolutional neural networks

Antonio Garcia-Uceda, Raghavendra Selvan외 3명|arXiv (Cornell University)|2021. 03. 30.

Lung Cancer Diagnosis and Treatment참고 문헌 48인용 수 5

한 줄 요약

이 논문은 흉부 CT 스캔에서 기도 분할을 위한 강건하고 효율적인 3D U-Net 기반 방법을 제안한다. 단일 순방향 전파를 통해 전체 폐를 포함하는 3D 패치를 처리하는 경량이며 저메모리 아키텍처를 사용한다. EXACT’09 데이터셋에서 최신 기준 성능을 달성하며, 다양한 기도 병변을 가진 다양한 데이터셋 간에 잘 일반화된다.

ABSTRACT

This paper presents a fully automatic and end-to-end optimised airway segmentation method for thoracic computed tomography, based on the U-Net architecture. We use a simple and low-memory 3D U-Net as backbone, which allows the method to process large 3D image patches, often comprising full lungs, in a single pass through the network. This makes the method simple, robust and efficient. We validated the proposed method on three datasets with very different characteristics and various airway abnormalities: i) a dataset of pediatric patients including subjects with cystic fibrosis, ii) a subset of the Danish Lung Cancer Screening Trial, including subjects with chronic obstructive pulmonary disease, and iii) the EXACT'09 public dataset. We compared our method with other state-of-the-art airway segmentation methods, including relevant learning-based methods in the literature evaluated on the EXACT'09 data. We show that our method can extract highly complete airway trees with few false positive errors, on scans from both healthy and diseased subjects, and also that the method generalizes well across different datasets. On the EXACT'09 test set, our method achieved the second highest sensitivity score among all methods that reported good specificity.

연구 동기 및 목표

• 흉부 CT에서 기도 분할을 위한 완전 자동, 엔드 투 엔드 최적화된 방법을 개발하여 임상 적용에 적합한 효율성과 강건성을 확보한다.
• 기존의 영역 성장 및 학습 기반 방법이 완전하지 못한 외측 기도 탐지 및 높은 거짓 양성률 문제를 해결한다.
• 결함성 섬유증, 만성 폐쇄성 폐질환, 기관지확장증을 포함한 다양한 기도 이상을 가진 다양한 데이터셋 간의 일반화를 향상시킨다.
• 패치 타일링으로 인한 가장자리 아티팩트를 줄이기 위해 단일 패assing으로 큰 3D 이미지 패치를 처리하여 계산 및 메모리 오버헤드를 감소시킨다.
• 복잡한 후처리 또는 연결성 제약 조건에 의존하지 않고도 높은 분할 완전성과 정확도를 달성한다.

제안 방법

• 전체 폐를 포함하는 큰 3D 이미지 패치를 단일 패assing으로 처리할 수 있도록, 단순하고 저메모리 3D U-Net을 백본 네트워크로 사용한다.
• 타일링이나 겹침 없이 전체 폐 3D 패치를 직접 처리하여 패치 경계 효과로 인한 가장자리 아티팩트를 감소시킨다.
• 표준 U-Net 아키텍처를 사용하며, 인코더-디코더 구조와 스킵 커넥션을 통해 정밀한 국소화 및 특징 융합을 달성한다.
• 손수 설계된 이미지 특징에 의존하지 않고, 애너테이션된 기도 분할 결과를 기반으로 지도 학습을 통해 엔드 투 엔드로 훈련한다.
• 다양한 스캔 특성과 병변에 대한 강건성을 향상시키기 위해 데이터 증강 및 정규화를 적용한다.
• 연결성에 대한 복잡한 후처리를 피하기 위해 U-Net의 본질적 분할 능력을 활용하지만, 일부 외측 지질이 메인 수목에서 분리될 수 있다.

실험 결과

연구 질문

• RQ1 경량 3D U-Net이 효율성과 메모리 사용을 희생시키지 않고 전체 폐 CT 패치에서 높은 분할 정확도와 완전성을 달성할 수 있는가?
• RQ2 기타 최신 기준 방법과 비교해, 결함성 섬유증 및 만성 폐쇄성 폐질환 등 심한 기도 이상을 가진 데이터셋에서 이 방법의 성능은 어떠한가?
• RQ3 단일 순방향 전파로 큰 3D 패치를 처리하는 것이 패치 타일링 기반 추론 대비 가장자리 아티팩트를 줄이고 분할 연속성을 향상시키는가?
• RQ4 다양한 스캔 프로토콜, 이미지 품질, 질환 표현형을 가진 데이터셋 간에 이 방법의 일반화 능력은 어떠한가?
• RQ5 작은 외측 기도와 저대비 영역이 존재하는 상황에서도 높은 민감도를 확보하면서 양호한 특이도를 유지할 수 있는가?

주요 결과

• 이 방법은 특이도가 양호한 것으로 보고된 방법들 중에서 EXACT’09 테스트 세트에서 두 번째로 높은 민감도를 달성하여, 도전적인 기도 분할 벤치마크에서 뛰어난 성능을 입증했다.
• 어린이 환자에서의 결함성 섬유증 스캔과 성인 환자에서의 COPD 스캔을 포함한 세 데이터셋 전반에서 매우 완전한 기도 수목을 생성했으며, 거짓 양성 오류도 거의 없었다.
• 스캔 해상도, 재구성 커널, 병변 심각도의 변동이 있는 다양한 특성을 가진 데이터셋 간에 잘 일반화되었다.
• 전체 폐 패치를 단일 패assing으로 처리함으로써 패치 타일링으로 인한 가장자리 아티팩트가 감소되어 패치 기반 추론 대비 분할 연속성이 향상되었다.
• CF-CT 및 DLCST 데이터셋에서 이전 최신 기준 방법들을 초월하여 우수한 강건성과 완전성을 보였으며, 이는 향상된 성능을 시사한다.
• 연결성 제약 조건을 강제하지 않았음에도 불구하고 높은 분할 품질을 달성했지만, 일부 외측 기도가 메인 수목에서 분리되어 있어 후속 생체지표 추출에 영향을 줄 수 있다.