[논문 리뷰] Cascaded Volumetric Convolutional Network for Kidney Tumor Segmentation from CT volumes

Yao Zhang, Yixin Wang외 5명|arXiv (Cornell University)|2019. 10. 05.

Advanced Neural Network Applications참고 문헌 5인용 수 7

한 줄 요약

이 논문은 CT 영상에서 신장 및 종양의 정밀 분할을 위해 이중 단계로 연결된 3D 완전 컨volution 네트워크를 제안한다. 먼저 굵은 신장 위치 추정을 통해 계산 비용과 클래스 불균형을 줄이고, 이후 공간 사전 지식과 잔차 연결을 활용한 세밀한 분할을 수행한다. 이 방법은 MICCAI 2019 KiTS 챌린지에서 90.24%의 복합 Dice 스코어를 기록하여 4위를 차지했다.

ABSTRACT

Automated segmentation of kidney and tumor from 3D CT scans is necessary for the diagnosis, monitoring, and treatment planning of the disease. In this paper, we describe a two-stage framework for kidney and tumor segmentation based on 3D fully convolutional network (FCN). The first stage preliminarily locate the kidney and cut off the irrelevant background to reduce class imbalance and computation cost. Then the second stage precisely segment the kidney and tumor on the cropped patch. The proposed method ranks the 4th place out of 105 competitive teams in MICCAI 2019 KiTS Challenge with a Composite Dice of 90.24%.

연구 동기 및 목표

• CT 영상에서 3D 신장 및 종양 분할 시 높은 계산 비용과 클래스 불균형 문제를 해결하기 위해.
• 초기 신장 위치 추정 기반의 관심 영역(ROI) 자르기를 통해 배경 간섭을 줄여 분할 정확도를 향상시키기 위해.
• 두 번째 단계 분할 네트워크에서 잔차 연결, 심층 감독, 공간 사전 지식을 활용해 모델 성능을 향상시키기 위해.
• 관련 해부학적 영역에 집중함으로써 제한된 GPU 메모리에서도 효과적인 훈련을 가능하게 하기 위해.
• MICCAI 2019 신장 종양 분할 챌린지(KiTS 2019)에서 최신 기술 수준의 성능을 달성하기 위해.

제안 방법

• 이중 단계로 연결된 프레임워크를 사용한다: 첫 번째 단계는 3D U-Net을 활용해 인스턴스 정규화와 리 leaking ReLU 활성화를 적용해 굵은 신장 위치 추정을 수행한다.
• 첫 번째 단계의 출력을 기반으로 신장 중심에 맞춰 3D 패치(80×160×160)를 자르며, 이는 메모리 소비와 클래스 불균형을 줄인다.
• 두 번째 단계는 잔차 블록, 심층 감독, 공간 사전 지식(신장 마스크)을 포함한 다중 작업 3D U-Net을 활용해 자른 패치에서 동시에 신장과 종양을 분할한다.
• 입력 데이터는 백분위수 클리핑(0.05%–99.5%) 및 케이스별 표준화를 통해 정규화되어 훈련 안정성과 일반화 성능을 향상시킨다.
• 업샘플링에는 전치 컨볼루션을 사용하고, 스위프 커넥션을 통해 복원 단계에서 고해상도 특징을 유지한다.
• 첫 번째 단계의 입력에 이sovolumetric 리샘플링을 적용하여 축 간 해상도를 균형 잡아 맥락적 특징 학습을 향상시킨다.

실험 결과

연구 질문

• RQ1 이중 단계로 연결된 3D FCN 프레임워크는 CT 영상에서 신장 및 종양의 분할 정확도를 향상시키면서도 계산 비용을 줄일 수 있는가?
• RQ2 첫 번째 단계의 신장 마스크에서 유도된 공간 사전 지식이 두 번째 단계 종양 분할 성능에 어떤 영향을 미치는가?
• RQ3 잔차 연결과 심층 감독이 제한된 GPU 메모리 조건에서 3D 부피 분할에 있어 모델 학습을 얼마나 향상시키는가?
• RQ4 粗역 위치 기반의 ROI 자르기가 클래스 불균형을 효과적으로 완화하고 훈련 효율성을 향상시키는가?
• RQ5 제안된 방법은 KiTS 2019 챌린지에서 최신 2D 및 3D FCN 접근법과 비교해 어떻게 성능을 냈는가?

주요 결과

• 제안된 방법은 KiTS 2019 온라인 테스트 세트에서 복합 Dice 스코어 90.24%를 기록하여 총 105개 팀 중 4위를 차지했다.
• 모든 개선 사항(잔차 블록, 심층 감독, 공간 사전 지식)을 적용한 두 번째 단계 모델은 검증 세트에서 신장 Dice 98.05%와 종양 Dice 83.70%를 달성했다.
• 첫 번째 단계의 신장 마스크에서 유도된 공간 사전 지식을 활용함으로써 종양 분할 Dice가 기본 3D UNet에 비해 3.08% 향상되었다.
• 입력 영역을 중앙값 40×160×160으로 자르는 방식으로 원래 138×512×512 영상 대비 메모리 소비를 줄였다.
• 첫 번째 단계의 위치 추정 모델은 테스트 세트에서 신장 Dice 97.42%를 기록하여 효과적인 ROI 추출을 입증했다.
• 모델은 해부학적 변동성과 클래스 불균형에 대해 강건했으며, 연결 성분 분석을 통한 후처리로 잡음 양성 결과를 제거했다.