[논문 리뷰] Automatic detection of lumen and media in the IVUS images using U-Net with VGG16 Encoder

Chirag Balakrishna, Sarshar Dadashzadeh외 1명|arXiv (Cornell University)|2018. 06. 20.

Medical Image Segmentation Techniques참고 문헌 13인용 수 46

한 줄 요약

논문은 IVUS 영상에서 루멘과 매질을 분할하기 위해 VGG16-UNet 아키텍처를 제안하며, 데이터 증강이 단순 U‑Net 대비 분할 정확도를 향상시킨다.

ABSTRACT

Coronary heart disease is one of the top rank leading cause of mortality in the world which can be because of plaque burden inside the arteries. Intravascular Ultrasound (IVUS) has been recognized as power- ful imaging technology which captures the real time and high resolution images of the coronary arteries and can be used for the analysis of these plaques. The IVUS segmentation involves the extraction of two arterial walls components namely, lumen and media. In this paper, we investi- gate the effectiveness of Convolutional Neural Networks including U-Net to segment ultrasound scans of arteries. In particular, the proposed seg- mentation network was built based on the the U-Net with the VGG16 encoder. Experiments were done for evaluating the proposed segmen- tation architecture which show promising quantitative and qualitative results.

연구 동기 및 목표

• IVUS 루멘과 매질의 정확한 분할이 플라크 분석 및 심혈관 위험 평가에 기여하도록 동기를 부여한다.
• IVUS 분할을 위한 심층 학습 아키텍처를 조사하고, VGG16 인코더를 갖춘 U‑Net 변형에 초점을 맞춘다.
• 공개 IVUS 데이터셋에서 데이터 증강이 분할 성능에 미치는 영향을 평가한다.

제안 방법

• VGG16 인코더를 갖춘 U‑Net 스타일 아키텍처(VGG16‑UNet)를 사용하여 픽셀 수준 분할.
• VGG16의 다섯 개 인코더 블록과 다섯 개의 대응하는 디코더 블록, 스킵 연결을 사용.
• Dice 손실로 학습하고 Dice 유사도와 Jaccard(IoU)를 지표로 평가.
• 학습 세트를 확장하기 위해 수평/수직 플립, 너비/높이 시프트, 회전 등의 데이터 증강을 적용.
• 세 가지 모델 비교: 간단한 U‑Net, 데이터 증강 없이의 VGG16‑UNet, 데이터 증강이 적용된 VGG16‑UNet.

실험 결과

연구 질문

• RQ1 VGG16로 인코딩된 U‑Net이 단순한 U‑Net과 비교하여 IVUS 영상에서 루멘 및 매질 분할을 향상시킬 수 있는가?
• RQ2 데이터 증강이 artefact가 많은 IVUS 데이터에서 일반화 및 분할 정확도를 유의하게 향상시키는가?
• RQ3 공개 IVUS 데이터셋에서 증강된 제안 VGG16‑UNet의 정량적 이득(Dice, Jaccard)은 어떻게 되는가?

주요 결과

• 데이터 증강이 적용된 VGG16‑UNet이 최상의 분할 성능을 보이며 평균 Jaccard가 0.695(루멘), 0.741(매질), 평균 Dice가 0.813(루멘), 0.839(매질).
• 단순 U‑Net은 잡음/아트팩트가 많은 IVUS 영상에서 어려움을 겪고 딥 아키텍처에 비해 저조.
• 증강 없이의 VGG16‑UNet은 Simple U‑Net보다 개선되지만 아티팩트에 민감; 증강은 정확도와 일반화를 크게 향상.
• 326 테스트 이미지에 대한 추론은 30초 이내로 임상 파이프라인에 실용적 가능성을 시사.
• 연구는 자연 이미지에 사전 학습된 인코더를 가진 더 깊은 네트워크가 데이터가 효과적으로 확대될 때 IVUS 분할에서 잘 작동할 수 있음을 보여준다.