[논문 리뷰] Comparison of 2D vs. 3D U-Net Organ Segmentation in abdominal 3D CT images

Nico Zettler, André Mastmeyer|arXiv (Cornell University)|2021. 07. 08.

Advanced Neural Network Applications인용 수 10

한 줄 요약

이 연구는 3D CT 스캔에서 Abdominal 장기 분할을 위한 2D 및 3D U-Net 아키텍처를 비교하며, 계산 부하를 줄이기 위해 장기별 볼륨 오브 이즈(VOI) 자르기를 사용한다. 2D U-Net은 간과 신장에 대해 유사하거나 더 높은 Dice 점수(최대 6% 향상)를 달성하면서도 GPU 메모리와 학습 시간이 훨씬 적게 소요되어, 이론적으로 3D 데이터에 덜 강력한 것으로 간주되더라도 더 효율적이다.

ABSTRACT

A two-step concept for 3D segmentation on 5 abdominal organs inside volumetric CT images is presented. First each relevant organ's volume of interest is extracted as bounding box. The extracted volume acts as input for a second stage, wherein two compared U-Nets with different architectural dimensions re-construct an organ segmentation as label mask. In this work, we focus on comparing 2D U-Nets vs. 3D U-Net counterparts. Our initial results indicate Dice improvements of about 6\% at maximum. In this study to our surprise, liver and kidneys for instance were tackled significantly better using the faster and GPU-memory saving 2D U-Nets. For other abdominal key organs, there were no significant differences, but we observe highly significant advantages for the 2D U-Net in terms of GPU computational efforts for all organs under study.

연구 동기 및 목표

• 3D 데이터에 대해 이론적으로 유리한 3D U-Net에 비해 2D U-Net이 복부 장기 분할에서 성능을 뛰어넘을 수 있는지 평가하기 위해.
• 장기별 VOI에 집중하여 3D 의료 영상 분할의 계산 및 메모리 오버헤드를 줄이기 위해.
• 장기 유형, 학습 데이터 크기, 하드웨어 제약 조건에 기반한 아키텍처 선택에 대한 데이터 기반 권고를 제공하기 위해.
• 3D U-Net과 2D U-Net 모델 간의 정밀도와 GPU 효율성 사이의 트레이드오프를 조사하기 위해.
• 최적화된 전처리를 통해 2D U-Net이 난이도 높은 복부 장기(예: 췌장)에서 경쟁력 있거나 우수한 성능을 낼 수 있는지 확인하기 위해.

제안 방법

• 80개의 복부 CT 스캔에서 장기별 3D 볼륨 오브 이즈(VOI) 경계 상자(바운딩 박스)를 추출하여 학습 및 추론을 관련 영역으로 국한한다.
• 각 VOI 내의 축방향 슬라이스에 대해 2D 및 3D U-Net 아키텍처를 학습하고 평가하며, 2D U-Net은 2D 슬라이스에 적용하고 3D U-Net은 3D 볼륨에 적용한다.
• 간, 비장, 신장, 췌장의 의미 분할을 위해 표준 U-Net 스킵 연결 및 손실 함수(예: Dice 손실)를 사용한다.
• 정확한 비교를 위해 3D U-Net의 입력 크기를 96×96×96 박자로, 2D U-Net의 입력 크기를 96×96 픽셀로 고정한다.
• Dice 점수, 중앙값, IQR, 이상치 수를 통계적으로 분석하여 각 장기 간 모델 성능을 비교한다.
• GPU 메모리 소비 및 학습 시간을 측정하여 계산 효율성을 평가한다.

실험 결과

연구 질문

• RQ1 2D U-Net은 3D CT 영상에서 핵심 복부 장기의 분할 정확도에서 3D U-Net과 유사하거나 뛰어나게 달성할 수 있는가?
• RQ2 2D 및 3D U-Net 아키텍처 간의 분할 성능와 GPU 메모리 및 학습 시간의 효율성 사이의 트레이드오프는 어떠한가?
• RQ3 간, 비장, 신장, 췌장 중 어떤 복부 장기에서 2D U-Net이 Dice 점수와 강건성 측면에서 3D U-Net을 능가하는가?
• RQ4 3D U-Net은 충분한 학습 데이터가 확보된 경우에만 뚜렷한 이점을 보이며, 특히 기하학적으로 길쭉한 장기인 췌장에 대해 그렇다면?
• RQ5 제한된 GPU 자원을 가진 임상 환경에서 2D U-Net은 3D U-Net의 실질적인 대안이 될 수 있는가?

주요 결과

• 2D U-Net은 간과 신장 분할에서 3D U-Net 대비 최대 약 6% 향상된 Dice 점수를 확보하였다.
• 2D U-Net은 간과 신장에서 더 높은 평균 및 중앙값 Dice 점수와 더 적은 이상치를 보이며 우수한 성능를 보였다.
• 2D U-Net은 GPU 메모리 소비가 크게 줄었으며, 평균적으로 학습 속도가 7% 빠르게, 2–4GB GPU에서도 구동이 가능했다.
• 췌장 분할에서는 3D U-Net이 중앙값 Dice 점수와 낮은 표준편차 측면에서 2D U-Net을 뛰어넘었지만, 통계적으로 유의미한 차이는 없었다.
• 2D U-Net은 이상치 수가 적고 일관된 중앙값 성능를 보이며 비장 분할에서 더 강건한 성능를 보였다.
• 3D U-Net은 상당히 더 많은 계산 자원을 요구했으며, 현재 데이터 환경에서는 췌장 분할에만 권장되었으며, 메모리 및 학습 비용이 높기 때문이다.