[논문 리뷰] Automatic Pulmonary Lobe Segmentation Using Deep Learning

Hao Tang, Chupeng Zhang외 1명|arXiv (Cornell University)|2019. 03. 23.

Lung Cancer Diagnosis and Treatment참고 문헌 13인용 수 3

한 줄 요약

이 논문은 폐엽 분할을 위한 딥러닝 프레임워크를 제안하며, 클래스 불균형과 분류가 어려운 볼륨을 해결하기 위해 딱지 손실과 포칼 손실을 조합한 하이브리드 손실 함수를 사용한다. 복합체 힐 코어팅을 통한 사전 처리와 함께 LUNA16에서 수동으로 레이블링된 50개의 스캔을 사용하여 훈련한 모델은 LUNA16에서 평균 딱지 계수 91.48%와 독립적인 Tianchi 데이터셋에서 94.17%의 최고 성능을 기록하여 다양한 데이터셋 간의 강력한 일반화 능력을 입증한다.

ABSTRACT

Pulmonary lobe segmentation is an important task for pulmonary disease related Computer Aided Diagnosis systems (CADs). Classical methods for lobe segmentation rely on successful detection of fissures and other anatomical information such as the location of blood vessels and airways. With the success of deep learning in recent years, Deep Convolutional Neural Network (DCNN) has been widely applied to analyze medical images like Computed Tomography (CT) and Magnetic Resonance Imaging (MRI), which, however, requires a large number of ground truth annotations. In this work, we release our manually labeled 50 CT scans which are randomly chosen from the LUNA16 dataset and explore the use of deep learning on this task. We propose pre-processing CT image by cropping region that is covered by the convex hull of the lungs in order to mitigate the influence of noise from outside the lungs. Moreover, we design a hybrid loss function with dice loss to tackle extreme class imbalance issue and focal loss to force model to focus on voxels that are hard to be discriminated. To validate the robustness and performance of our proposed framework trained with a small number of training examples, we further tested our model on CT scans from an independent dataset. Experimental results show the robustness of the proposed approach, which consistently improves performance across different datasets by a maximum of $5.87\%$ as compared to a baseline model.

연구 동기 및 목표

• 제한된 레이블링 데이터를 바탕으로 CT 스캔에서 폐엽 분할을 위한 강력한 딥러닝 프레임워크를 개발하는 것.
• 딱지 손실과 포칼 손실을 조합하여 폐엽 분할에서 극심한 클래스 불균형 문제를 해결하는 것.
• 복합체 힐 코어팅을 통한 사전 처리를 통해 다양한 CT 데이터셋 간의 모델 일반화 능력을 향상시키는 것.
• 초기 supervised 폐엽 분할 연구를 위한 공개 가능한 50개의 LUNA16 CT 스캔 수동 레이블링 데이터셋을 제공하는 것.

제안 방법

• 흉부 외부의 노이즈를 줄이기 위해 폐의 복합체 힐 내부 영역으로 CT 스캔을 자르는 사전 처리를 수행한다.
• 클래스 불균형 처리를 위한 딱지 손실과 어려운 분류 볼륨에 집중하기 위한 포칼 손실을 조합한 하이브리드 손실 함수를 사용한다.
• 일반화 능력을 향상시키기 위해 무작위 이동, z축 뒤집기 및 XY 평면 회전을 통한 데이터 증강을 적용한다.
• 배치 크기가 1인 300 에포크 동안 Adam 옵timizer를 사용하여 3D U-Net 기반의 딥 컨volution 신경망을 훈련한다.
• 딱지 계수를 사용하여 성능을 평가하며, 모든 폐엽에 대해 각 폐엽별 및 평균 딱지 점수를 계산한다.
• Tianchi 데이터셋의 독립된 검증 세트인 10개의 CT 스캔을 사용하여 모델의 견고성을 검증한다.

Fig. 1 : Neural network architecture. Each cube represents 3D image volume and the side number denotes the number of channels in that block. Different from original V-Net, we only use one down-sampling to balance the trade-off between feature representation capacity and GPU memory.

실험 결과

연구 질문

• RQ1 50개의 수동으로 레이블링된 CT 스캔만으로 딥러닝 모델이 높은 성능의 폐엽 분할을 달성할 수 있는가?
• RQ2 딱지 손실과 포칼 손실을 조합한 하이브리드 손실 함수의 사용이 극심한 클래스 불균형 상황에서 분할 정확도를 어떻게 향상시키는가?
• RQ3 복합체 힐 코어팅을 통한 사전 처리가 분포 외부의 CT 스캔에서 모델의 견고성과 성능을 얼마나 향상시키는가?
• RQ4 모델이 훈련에 사용되지 않은 독립적인 데이터셋, 예를 들어 Tianchi 데이터셋에 얼마나 잘 일반화되는가?
• RQ5 제안된 프레임워크가 기존 최고 성능의 방법들을 초월하는가?

주요 결과

• 제안된 프레임워크는 LUNA16 테스트 세트에서 최고 성능의 평균 딱지 계수 91.48%와 Tianchi 테스트 세트에서 94.17%를 기록한다.
• 딱지 손실에 포칼 손실을 추가함으로써 기준 모델(단일 딱지 손실 사용) 대비 LUNA16에서 평균 딱지 계수 3.87% 향상되고, Tianchi에서 3.95% 향상된다.
• 복합체 힐 코어팅을 통한 사전 처리를 추가함으로써 하이브리드 손실 전용 모델 대비 LUNA16에서 평균 딱지 계수 0.54% 향상되고, Tianchi에서 1.92% 향상된다.
• 두 데이터셋 모두에서 이전 최고 성능 방법 [7] 대비 평균 딱지 계수 최대 2.39% 향상된다.
• 정성적 시각화 결과는 모델이 폐엽 경계를 효과적으로 포착하고 특히 갈래 근처 영역에서 가짜 양성 결과를 줄이는 데 성공했음을 확인한다.
• LUNA16에서 수동으로 레이블링된 50개의 CT 스캔을 공개함으로써 향후 supervised 폐엽 분할 연구를 위한 유의미한 기준이 마련된다.

Fig. 2 : Comparison between prediction of the model and ground-truth in CT scan views: Axial, Sagittal and Coronal.