[논문 리뷰] Automatic Liver and Tumor Segmentation of CT and MRI Volumes using Cascaded Fully Convolutional Neural Networks

Patrick Ferdinand Christ, Florian Ettlinger외 18명|arXiv (Cornell University)|2017. 02. 20.

Radiomics and Machine Learning in Medical Imaging참고 문헌 30인용 수 184

한 줄 요약

본 논문은 CT 및 MRI 볼륨에서 간 및 간 병변을 자동으로 분할하기 위해 3D dense CRF 후처리를 이용한 Cascaded Fully Convolutional Networks (CFCNs)를 제안하여 높은 Dice 점수를 달성하고 대규모 분석의 효율성을 가능하게 한다.

ABSTRACT

Automatic segmentation of the liver and hepatic lesions is an important step towards deriving quantitative biomarkers for accurate clinical diagnosis and computer-aided decision support systems. This paper presents a method to automatically segment liver and lesions in CT and MRI abdomen images using cascaded fully convolutional neural networks (CFCNs) enabling the segmentation of a large-scale medical trial or quantitative image analysis. We train and cascade two FCNs for a combined segmentation of the liver and its lesions. In the first step, we train a FCN to segment the liver as ROI input for a second FCN. The second FCN solely segments lesions within the predicted liver ROIs of step 1. CFCN models were trained on an abdominal CT dataset comprising 100 hepatic tumor volumes. Validations on further datasets show that CFCN-based semantic liver and lesion segmentation achieves Dice scores over 94% for liver with computation times below 100s per volume. We further experimentally demonstrate the robustness of the proposed method on an 38 MRI liver tumor volumes and the public 3DIRCAD dataset.

연구 동기 및 목표

• CT 및 MRI 볼륨에서 간 및 간 병변의 완전 자동 분할 가능화.
• 두 개의 FCN을 연쇄적으로 연결하여 분할 정확도 향상(간 먼저, 그다음 간 ROI 내 병변).
• 다양한 데이터세트 및 영상 모달리티(CT와 DW-MRI) 간 로버스트성 향상.
• 세분화 품질 향상을 위한 포스트-처리 단계(3D CRF) 제공.
• 복제 및 대규모 연구에서의 적응을 돕기 위한 오픈 소스 모델 제공.

제안 방법

• HU 윈도잉으로 CT 전처리, N4 바이어스 보정 및 히스토그램 정규화를 이용한 MRI 전처리.
• 간 분할 1단계, 간 ROI 내 병변 분할 2단계의 연쇄형 두-stage FCN 학습.
• 심한 병변 클래스 불균형 문제를 다루기 위한 교차 엔트로피 손실의 클래스 불균형 반영.
• 선행 U-Net 모델에서의 전이 학습으로 네트워크 초기화 선택적으로 사용 가능.
• FCN 출력은 dense 3D 조건부 임의장(field)으로 정제(MAP 추정: 평균장 근사).
• Dice, VOE, RVD, ASD, MSD를 CT, DW-MRI 및 다센터 데이터셋에서 평가.

실험 결과

연구 질문

• RQ1 연쇄형 FCN이 단일 FCN에 비해 간 및 병변 분할 정확도를 향상시키는가?
• RQ2 병변 분할을 간 ROI로 제한하면 거짓 양성 및 전체 Dice 점수에 어떤 영향이 있는가?
• RQ3 3D dense CRF 포스트-처리가 모달리티 및 데이터셋 전반에서 분할 품질을 향상시키는가?
• RQ4 다센터 임상 데이터에서 CT와 DW-MRI에 대한 일반화 성능은 어느 정도인가?
• RQ5 복제 가능성을 위한 오픈 소스 자원 및 사전 학습된 모델은 무엇인가?

주요 결과

• Cascaded FCNs는 CT에서 간에 대해 Dice 점수 94%를 넘기고 볼륨당 런타임이 100초 미만을 달성한다.
• CFCN은 특히 3D CRF 포스트-처리와 결합될 때 단일 FCN 아키텍처에 비해 병변 분할을 크게 향상시킨다.
• 3DIRCAD CT 데이터에서 cascaded U-Net의 Dice는 93.1%이고 3D CRF를 추가하면 Dice가 94.3%로 상승한다.
• 임상 CT 데이터 세트(100 스캔)에서 Dice가 최대 91%에 도달했고 기준에 대한 inter-rater Dice 약 95%, 검증에서 병변 Dice는 61%±25%를 나타낸다.
• DW-MRI에서 Cascaded U-Net은 간 Dice 87% 및 병변 Dice 약 69.7% 평균에 도달한다.
• 이 방법은 MRI 및 확산 가중 MRI로 일반화되며 학습된 모델은 공개적으로 공개된다.