[논문 리뷰] CARE: A Large Scale CT Image Dataset and Clinical Applicable Benchmark Model for Rectal Cancer Segmentation

Hantao Zhang, Weidong Guo외 5명|arXiv (Cornell University)|2023. 08. 16.

Radiomics and Machine Learning in Medical Imaging인용 수 4

한 줄 요약

이 논문은 정상 및 암성 직장의 픽셀 수준 세분화를 위한 임상적으로 주석 처리된 대규모 CT 데이터셋인 CARE를 소개하고, 컨volutional 특징 추출과 스킵 커넥션을 통합하여 세분화 정확도를 향상시키기 위한 프롬프터 기반의 U-형형 트랜스포머 기반 모델인 U-SAM을 제안한다. U-SAM은 CARE 및 WORD 데이터셋에서 최신 기술 수준의 성능을 달성하며, 세 가지 점 프롬프트를 사용할 경우 평균 DICE 점수에서 4.10% 향상된다.

ABSTRACT

Rectal cancer segmentation of CT image plays a crucial role in timely clinical diagnosis, radiotherapy treatment, and follow-up. Although current segmentation methods have shown promise in delineating cancerous tissues, they still encounter challenges in achieving high segmentation precision. These obstacles arise from the intricate anatomical structures of the rectum and the difficulties in performing differential diagnosis of rectal cancer. Additionally, a major obstacle is the lack of a large-scale, finely annotated CT image dataset for rectal cancer segmentation. To address these issues, this work introduces a novel large scale rectal cancer CT image dataset CARE with pixel-level annotations for both normal and cancerous rectum, which serves as a valuable resource for algorithm research and clinical application development. Moreover, we propose a novel medical cancer lesion segmentation benchmark model named U-SAM. The model is specifically designed to tackle the challenges posed by the intricate anatomical structures of abdominal organs by incorporating prompt information. U-SAM contains three key components: promptable information (e.g., points) to aid in target area localization, a convolution module for capturing low-level lesion details, and skip-connections to preserve and recover spatial information during the encoding-decoding process. To evaluate the effectiveness of U-SAM, we systematically compare its performance with several popular segmentation methods on the CARE dataset. The generalization of the model is further verified on the WORD dataset. Extensive experiments demonstrate that the proposed U-SAM outperforms state-of-the-art methods on these two datasets. These experiments can serve as the baseline for future research and clinical application development.

연구 동기 및 목표

• 직장암 세분화를 위한 대규모이고 세밀하게 주석 처리된 CT 데이터셋의 부족을 해결하기 위해.
• 불규칙한 형태와 얇은 벽을 가진 복잡한 해부학적 구조인 직장에서의 세분화 정밀도를 향상시키기 위해.
• 다양한 데이터셋에 일반화되며 정확한 종양 경계 설정을 지원하는 임상적으로 적용 가능한 기준 모델을 개발하기 위해.
• 프롬프터 기반 국소화를 U-Net 유사 스킵 커넥션과 컨볼루션 모듈과 통합하여 의료 영상에서의 특징 학습을 향상시키기 위해.
• 실제 임상 데이터와 고급 딥러닝 기법을 활용하여 직장암 세분화의 새로운 기준을 설정하기 위해.

제안 방법

• CARE 데이터셋은 전문 방사선의사들의 합의를 통해 정상 직장과 직장암에 대해 픽셀 수준 주석이 부여된 1,000개의 임상적 CT 볼륨으로 구성되어 있다.
• U-SAM은 시각 트랜스포머 인코더와 국소 세부 정보를 캡처하기 위한 컨볼루션 모듈, 공간 정보를 유지하기 위한 스킵 커넥션을 결합한 U-형형 아키텍처를 사용한다.
• 모델은 점과 같은 프롬프터 입력을 사용하여 국소화를 안내하며, 최소한의 사용자 입력으로도 민감하고 정확한 세분화를 가능하게 한다.
• 스킵 커넥션은 네 가지 해상도 스케일(1/8, 1/4, 1/2, 1)에 적용되어 특징 복구와 경계 분할을 최적화한다.
• 모델은 CARE 데이터셋에서 엔드 투 엔드로 훈련되고, 일반화 능력을 검증하기 위해 CARE 및 외부 WORD 데이터셋에서 평가된다.
• 제거 분석을 통해 프롬프트 수와 스킵 커넥션 구성이 성능에 미치는 영향을 체계적으로 평가한다.

실험 결과

연구 질문

• RQ1 대규모이고 임상적으로 주석 처리된 CT 데이터셋은 직장암 세분화 모델의 성능을 크게 향상시킬 수 있는가?
• RQ2 프롬프터 기반 국소화를 U-형형 아키텍처와 통합할 경우, 복잡한 Abdominal 해부학에서 세분화 정확도는 어떻게 향상되는가?
• RQ3 높은 세분화 성능를 달성하기 위해 최적의 점 프롬프트 수는 몇 개인가?
• RQ4 여러 해상도 스케일에서의 스킵 커넥션은 직장 세분화에서 미세한 공간적 세부 정보 복구에 어떻게 영향을 미치는가?
• RQ5 U-SAM은 기존 최신 기술 수준의 모델들과 비교해 외부 데이터셋인 WORD에 얼마나 잘 일반화되는가?

주요 결과

• 세 가지 점 프롬프트를 각 클래스당 사용할 경우, U-SAM은 평균 DICE 점수에서 4.10% 향상되고, 평균 IoU에서 4.94% 향상되어 베이스라인 모델을 초월한다.
• SAM 프레임워크에 컨볼루션 모듈과 스킵 커넥션을 추가함으로써 평균 DICE는 3.3% 향상되고, 평균 IoU는 3.67% 향상된다.
• 다섯 개의 점 프롬프트를 사용해도 추가적인 성능 향상이 없으며, 이는 세 개의 프롬프트를 초과할 경우 수익 감소 현상이 나타남을 시사한다.
• 최적의 구성은 네 가지 해상도 스케일(1/8, 1/4, 1/2, 1) 전역에 스킵 커넥션을 적용하는 것으로, 정상 직장과 종양 세분화 모두에서 성능을 최대화한다.
• 시각화 결과는 U-SAM이 베이스라인 모델보다 더 일관된 경계를 생성하고 임의의 양성 반응을 감소시킴을 확인한다.
• U-SAM은 WORD 데이터셋으로도 효과적으로 일반화되며, 훈련 분포를 초월한 강건성과 임상 적용 가능성을 입증한다.