[논문 리뷰] Automatic Liver Lesion Detection using Cascaded Deep Residual Networks

Lei Bi, Jin‐Man Kim외 2명|arXiv (Cornell University)|2017. 04. 10.

Brain Tumor Detection and Classification참고 문헌 14인용 수 84

한 줄 요약

이 논문은 다중 스케일 융합을 갖춘 cascaded deep residual networks (ResNet)을 도입하여 CT에서 간 및 간 병변을 자동으로 분할하고 최신 결과를 달성했으며 LiTS 챌린지에서 4위를 차지했다.

ABSTRACT

Automatic segmentation of liver lesions is a fundamental requirement towards the creation of computer aided diagnosis (CAD) and decision support systems (CDS). Traditional segmentation approaches depend heavily upon hand-crafted features and a priori knowledge of the user. As such, these methods are difficult to adopt within a clinical environment. Recently, deep learning methods based on fully convolutional networks (FCNs) have been successful in many segmentation problems primarily because they leverage a large labelled dataset to hierarchically learn the features that best correspond to the shallow visual appearance as well as the deep semantics of the areas to be segmented. However, FCNs based on a 16 layer VGGNet architecture have limited capacity to add additional layers. Therefore, it is challenging to learn more discriminative features among different classes for FCNs. In this study, we overcome these limitations using deep residual networks (ResNet) to segment liver lesions. ResNet contain skip connections between convolutional layers, which solved the problem of the training degradation of training accuracy in very deep networks and thereby enables the use of additional layers for learning more discriminative features. In addition, we achieve more precise boundary definitions through a novel cascaded ResNet architecture with multi-scale fusion to gradually learn and infer the boundaries of both the liver and the liver lesions. Our proposed method achieved 4th place in the ISBI 2017 Liver Tumor Segmentation Challenge by the submission deadline.

연구 동기 및 목표

• CT 영상에서 CAD/CDS를 위한 자동적이고 정확한 간 병변 분할을 목표로 한다.
• 심층 잔여 네트워크를 이용해 판별적 특징 학습을 수행함으로써 얕은 FCN의 한계를 극복한다.
• 간 및 병변 경계를 반복적으로 세밀하게 다듬기 위한 cascaded ResNet 아키텍처를 제안한다.
• 센터 간 해상도 차이를 다루기 위해 다중 스케일 융합을 통합한다.

제안 방법

• 업샘플링과 확장된 합성곱을 이용해 FCN 유사 모델로 변환하여 분할에 대해 심층 잔여 네트워크(ResNet)를 채택한다.
• 이전 반복의 확률 맵을 활용해 간 및 병변 분할을 훈련 및 추론 동안 다듬는 cascaded ResNet 프레임워크를 구축한다.
• 다중 스케일 입력 크기 조정과 출력을 평균화하여 최종 예측을 얻는다(다중 스케일 융합).
• CT를 Hounsfield 단위 윈도잉 및 [0,1]로의 정규화를 통해 전처리한다.
• ImageNet에서의 미세조정으로 학습을 시작하고, 이후 도메인 특화 미세조정과 데이터 증강 및 SGD 최적화를 수행한다.

실험 결과

연구 질문

• RQ1 CT 영상에서 간 및 간 병변 분할을 위해 ResNet 기반 아키텍처가 VGGNet 기반 FCN을 능가할 수 있는가?
• RQ2 반복적 다듬기를 가진 cascaded ResNet이 간 및 병변 분할의 경계 정확도를 향상시키는가?
• RQ3 다중 스케일 융합이 서로 다른 센터의 CT 연구에서 견고한 성능을 제공하는가?
• RQ4 cascaded ResNet 분할에 3D-CRF 후처리를 추가하는 것이 미치는 영향은?

주요 결과

• Cascaded ResNet은 간 및 병변 분할에서 VGG 기반 FCN보다 성능이 우수하다.
• Cascaded ResNet은 post-processing 없이 Dice 95.51% (liver) 및 49.83% (lesion); Jaccard 91.45% (liver) 및 38.59% (lesion).
• Cascaded ResNet with multi-scale fusion achieves the best results: Dice 95.90% (liver) and 50.01% (lesion); Jaccard 92.19% (liver) and 38.79% (lesion).
• 3D-CRF post-processing reduces lesion segmentation performance compared to the base cascaded ResNet.
• Multi-scale fusion provides robustness to varying study resolutions and centers, contributing to top performance in LiTS submission (4th place).