[논문 리뷰] Automatic Liver Segmentation from CT Images Using Deep Learning Algorithms: A Comparative Study

K. E. Sengun, YILMAZ Çetin외 3명|arXiv (Cornell University)|2021. 01. 25.

Radiomics and Machine Learning in Medical Imaging참고 문헌 22인용 수 7

한 줄 요약

이 연구는 상용 소프트웨어 'LiverVision' 내 표준화된 프레임워크를 사용하여 CT 영상에서 간 자동 분할을 위한 딥러닝 아키텍처—특히 U-Net과 SegNet—을 평가한다. 결과적으로 두 모델 모두 높은 정확도를 달성하지만, SegNet이 잠재적 오진을 줄이는 데서 더 뛰어나며, 수술 계획을 위한 완전 자동화되고 고정밀도의 간 분할의 가능성을 입증한다.

ABSTRACT

Medical imaging has been employed to support medical diagnosis and treatment. It may also provide crucial information to surgeons to facilitate optimal surgical preplanning and perioperative management. Essentially, semi-automatic organ and tumor segmentation has been studied by many researchers. Recently, with the development of Deep Learning (DL) algorithms, automatic organ segmentation has been gathered lots of attention from the researchers. This paper addresses to propose the most efficient DL architectures for Liver segmentation by adapting and comparing state-of-the-art DL frameworks, studied in different disciplines. These frameworks are implemented and adapted into a Commercial software, 'LiverVision'. It is aimed to reveal the most effective and accurate DL architecture for fully automatic liver segmentation. Equal conditions were provided to all architectures in the experiments so as to measure the effectiveness of algorithms accuracy, and Dice coefficient metrics were also employed to support comparative analysis. Experimental results prove that 'U-Net' and 'SegNet' have been superior in line with the experiments conducted considering the concepts of time, cost, and effectiveness. Considering both architectures, 'SegNet' was observed to be more successful in eliminating false-positive values. Besides, it was seen that the accuracy metric used to measure effectiveness in image segmentation alone was not enough. Results reveal that DL algorithms are able to automate organ segmentation from DICOM images with high accuracy. This contribution is critical for surgical preplanning and motivates author to apply this approach to the different organs and field of medicine.

연구 동기 및 목표

• CT 영상에서 간 자동 분할을 위한 최신 딥러닝 아키텍처를 평가하고 비교하기.
• 동일한 실험 조건 하에서 이러한 모델을 상용 소프트웨어 플랫폼인 'LiverVision'에 구현 및 적응하기.
• 정확도, Dice 계수, 처리 시간, 계산 비용 측면에서 가장 효과적인 딥러닝 아키텍처를 특정하기.
• 의료 영상에서 분할 성능 평가에 전통적인 정확도 지표만으로는 충분한지 평가하기.
• 유사한 자동 분할 접근 방식을 다른 장기 및 의료 적용 분야에 확장하기 위한 기반 마련하기.

제안 방법

• 최신 딥러닝 모델인 U-Net과 SegNet을 'LiverVision' 상용 소프트웨어 플랫폼에 적응 및 구현하였다.
• 표준 전처리 및 데이터 증강 기법을 사용하여 CT 영상 데이터셋에서 모델을 훈련 및 검증하였다.
• 모든 모델 간 동일한 실험 조건을 확보하였으며, 입력 정규화, 해상도, 훈련 프로토콜을 동일하게 유지하였다.
• 분할 성능 평가의 주요 지표로 Dice 계수를 사용하였으며, 정확도 및 추론 시간과도 함께 분석하였다.
• 입력으로 DICOM 형식의 CT 영상을 사용하였으며, 참값 분할은 전문가가 수동으로 애너테이션하였다.
• 일관된 평가 프로토콜을 통해 모든 모델 간 비교 분석을 수행하여 공정한 성능 기준 설정을 달성하였다.

실험 결과

연구 질문

• RQ1 동일한 조건에서 U-Net과 SegNet 중 어느 딥러닝 아키텍처가 CT 영상에서 간 분할 정확도가 높은가?
• RQ2 U-Net과 SegNet은 간 분할 작업에서 오진 탐지 비율 측면에서 어떻게 비교되는가?
• RQ3 정확도 지표만으로는 부족한 바, Dice 계수와의 상관관계가 간 분할에서 임상적 유용성과 얼마나 관련이 깊은가?
• RQ4 상용 소프트웨어 플랫폼이 최신 딥러닝 모델을 효과적으로 통합하고 자동 장기 분할을 구현할 수 있는가?
• RQ5 다양한 딥러닝 아키텍처 간에 계산 비용, 추론 시간, 분할 성능 간의 상충 관계는 어떠한가?

주요 결과

• SegNet은 U-Net에 비해 오진 분할 오류를 최소화하는 데 뛰어난 성능을 보였다.
• U-Net과 SegNet 모두 높은 Dice 계수를 달성하여 참값 분할과 강한 겹침을 보였다.
• 정확도 지표만으로는 분할 효과성 평가에 부적절하다는 것이 확인되었으며, 이는 공간 일관성이나 오진을 고려하지 않기 때문이다.
• SegNet은 복잡한 간 경계와 저대비 영역을 처리하는 데서 더 우수한 일반화 능력과 강건성을 보였다.
• 이 연구는 딥러닝 모델이 DICOM CT 영상에서 고정밀도 및 신뢰성 있는 정확도로 간 분할을 자동화할 수 있음을 확인하였다.
• 이러한 모델을 'LiverVision' 플랫폼에 통합함으로써 임상 수술 전 계획용 실용적 구현이 가능해졌다.