[논문 리뷰] Automatic segmentation of prostate zones

Germonda Mooij, Inês Correia Bagulho외 1명|arXiv (Cornell University)|2018. 06. 19.

Prostate Cancer Diagnosis and Treatment참고 문헌 5인용 수 11

한 줄 요약

이 논문은 3D T2-강조 MRI 스캔에서 전립선 외측부위(PZ) 및 전이부위(TZ)의 자동 분할을 위한 3D U-Net 아키텍처를 제안한다. 이는 TZ에 대해 0.85, PZ에 대해 0.60의 Dice 점수를 기록하며, 이는 이전의 2D 및 2단계 방법보다 略적으로 뛰어나다. 해부학적 사전 지식과 이방향 네트워크 설계를 조사한 결과, 주변 조직을 분할하면 기능 맵 교체로 인해 PZ 성능이 떨어지며, 이방향 아키텍처는 미미한 성능 향상을 가져온다.

ABSTRACT

Convolutional networks have become state-of-the-art techniques for automatic medical image analysis, with the U-net architecture being the most popular at this moment. In this article we report the application of a 3D version of U-net to the automatic segmentation of prostate peripheral and transition zones in 3D MRI images. Our results are slightly better than recent studies that used 2D U-net and handcrafted feature approaches. In addition, we test ideas for improving the 3D U-net setup, by 1) letting the network segment surrounding tissues, making use of the fixed anatomy, and 2) adjusting the network architecture to reflect the anisotropy in the dimensions of the MRI image volumes. While the latter adjustment gave a marginal improvement, the former adjustment showed a significant deterioration of the network performance. We were able to explain this deterioration by inspecting feature map activations in all layers of the network. We show that to segment more tissues the network replaces feature maps that were dedicated to detecting prostate peripheral zones, by feature maps detecting the surrounding tissues.

연구 동기 및 목표

• 딥 러닝을 이용해 3D MRI에서 전립선 외측부위 및 전이부위의 자동 분할을 향상시키기.
• 주변 조직을 분할하는 등의 해부학적 사전 지식을 통합할 경우 분할 성능이 향상되는지 평가하기.
• MRI 스캔의 이방향성(0.5×0.5×3.6 mm)을 3D U-Net 아키텍처에 반영하면 분할 정확도가 향상되는지 조사하기.
• 특히 PZ에 특화된 기능 학습을 분석하기 위해 기능 맵 시각화를 통한 네트워크 내부 동작 이해하기.

제안 방법

• 3D T2-강조 MRI 영상의 전립선 볼륨에 대해 3D U-Net 아키텍처를 적응시키며, GPU 호환성을 위해 입력 해상도를 1×1×3.6 mm로 재샘플링한다.
• 아키텍처의 이방향성 영향을 평가하기 위해 두 가지 네트워크 버전을 학습: 이방향(aniso-3DUNET) 및 등방향(iso-3DUNET).
• 분할 복잡도 영향을 평가하기 위해 두 가지 설정에서 학습: 2라벨(배경, TZ, PZ) 및 6라벨(배, 직장, 대퇴골 포함).
• 모든 레이어의 기능 맵 활성화를 시각화하여, 특히 PZ에 특화된 기능 맵의 변화를 분석하고, 라벨 수 증가에 따른 네트워크 표현 변화를 분석한다.
• 각 설정 간 성능를 정량적으로 비교하기 위해 TZ 및 PZ에 대한 Dice 점수를 계산한다.
• 데이터 증강 및 클래스 균형 기법을 적용하여 데이터셋 내 클래스 불균형의 영향을 완화한다.

실험 결과

연구 질문

• RQ1 배, 직장, 대퇴골과 같은 주변 조직까지 분할하도록 3D U-Net을 훈련시키면 전립선 외측부위 및 전이부위의 분할 정확도가 향상되는가?
• RQ2 MRI 스캔의 이방향성(0.5×0.5×3.6 mm)을 3D U-Net 아키텍처에 반영하면 분할 성능이 향상되는가?
• RQ3 분할 클래스 수를 늘릴수록 네트워크가 PZ에 특화된 독립적인 기능을 학습하는 능력은 어떻게 변화하는가?
• RQ4 더 많은 조직을 분할할 경우 관찰된 성능 저하의 원인은 무엇이며, 이는 학습된 기능 맵에 어떻게 반영되는가?
• RQ5 3D U-Net의 초기 레이어가 최종 출력에서 이러한 조직을 명시적으로 분할하지 않더라도, 주변 해부학적 구조에 대한 맥락 정보를 이미 얼마나 잘 캡처하고 있는가?

주요 결과

• 3D U-Net은 전이부위에 대해 0.85, 외측부위에 대해 0.60의 Dice 점수를 기록하며, 최근의 2D U-Net 및 ATLAS 기반 방법보다 뛰어난 성능을 보였다.
• 이방향 네트워크 버전(aniso-3DUNET)은 등방향 버전보다 PZ Dice 점수에서 약간 향상된 0.60을 기록했으며(0.57 대비), 표준 오차 내의 차이였다.
• 배, 직장, 대퇴골과 같은 추가 조직을 분할하도록 훈련시키면 PZ Dice 점수가 예상과 반대로 0.07 감소했다.
• 기능 맵 시각화 결과, 2라벨 설정에서는 PZ에 특화된 기능 맵가 유지되었지만, 6라벨 설정에서는 다기관 조합 기능 맵으로 대체되어 성능 저하가 발생함을 설명할 수 있었다.
• 최종 출력에서 이러한 조직을 명시적으로 분할하지 않더라도, 네트워크는 초기 레이어에서 이미 주변 해부학적 구조에 대한 맥락 정보를 캡처하고 있었다.
• 다중 라벨 설정에서 PZ에 특화된 기능을 유지하기 위해 필터 수를 늘리는 것이 필요할 수 있으나, 이는 GPU 메모리 사용량을 크게 증가시키며 기대 수익은 제한적일 것이다.