[논문 리뷰] Cutting-edge 3D Medical Image Segmentation Methods in 2020: Are Happy Families All Alike?

Jun Ma|arXiv (Cornell University)|2021. 01. 01.

Medical Imaging and Analysis참고 문헌 63인용 수 14

한 줄 요약

이 논문은 2020년 국제 챌린지에서 상위 10개의 3D 의료 영상 분할 방법을 검토하며, 최신 성능을 내는 데 기여하는 공통된 '다행인 가족들'(happy-families) 관행—예를 들어 U-Net 기반 아키텍처, 데이터 증강, 모델 앙상블—을 규명한다. 효율성, 일반화 및 긴 꼬리 분할 문제와 같은 핵심 과제를 부각하고, 지속적인 연구 참조를 위해 최신 기법들을 담은 공개 GitHub 리포지터리를 유지한다.

ABSTRACT

Segmentation is one of the most important and popular tasks in medical image analysis, which plays a critical role in disease diagnosis, surgical planning, and prognosis evaluation. During the past five years, on the one hand, thousands of medical image segmentation methods have been proposed for various organs and lesions in different medical images, which become more and more challenging to fairly compare different methods. On the other hand, international segmentation challenges can provide a transparent platform to fairly evaluate and compare different methods. In this paper, we present a comprehensive review of the top methods in ten 3D medical image segmentation challenges during 2020, covering a variety of tasks and datasets. We also identify the "happy-families" practices in the cutting-edge segmentation methods, which are useful for developing powerful segmentation approaches. Finally, we discuss open research problems that should be addressed in the future. We also maintain a list of cutting-edge segmentation methods at \url{https://github.com/JunMa11/SOTA-MedSeg}.

연구 동기 및 목표

• MICCAI 2020에서 개최된 10개의 국제 챌린지에서 상위 성능을 낸 3D 의료 영상 분할 방법을 종합적으로 검토하기 위해.
• 최신 기술 모델들 사이에서 반복적으로 나타나는 방법론적 패턴—'다행인 가족들' 관행—을 규명하여 향후 방법 개발을 안내하기 위해.
• 모델 효율성, 의료 기관 간 일반화, 분할 작업에서 극단적인 클래스 불균형과 같은 해결되지 않은 문제들을 부각하기 위해.
• 공개적으로 최신 기술 기반의 분할 방법들을 유지하기 위해 https://github.com/JunMa11/SOTA-MedSeg 에서 업데이트된 리포지터리를 운영하기 위해.

제안 방법

• 본 연구는 CT, MR, PET 및 다중 모odal 영상 분석을 포함한 10개의 3D 의료 영상 분할 챌린지에서 상위 솔루션을 분석한다.
• 승자 모델들 사이에서 널리 채택된 구성 요소—예를 들어 U-Net 기반 아키텍처, 다중 척도 특징 학습, 고급 데이터 증강 전략—를 식별하고 분류한다.
• 우수한 성능을 낸 모델들이 사용한 학습 프로토콜, 추론 전략, 후처리 기법을 평가한다.
• 모델 앙상블이 성능 향상에 기여하는 바를 평가하며, 계산 비용과 자원 소모의 문제점을 언급한다.
• 다양한 데이터셋에서 DSC(Dice Similarity Coefficient) 및 HD(Hausdorff Distance)와 같은 손실 함수와 평가 지표의 영향을 평가한다.
• 연구 결과를 종합하여 공개 GitHub 리포지터리를 구축하여 의료 영상 분할 분야의 최신 기술 기반 방법들을 추적하고 공유한다.

실험 결과

연구 질문

• RQ1 2020년 챌린지에서 상위 성능을 낸 3D 의료 영상 분할 모델들 사이에 일관되게 존재하는 공통된 방법론적 구성 요소는 무엇인가?
• RQ2 데이터 다양성과 다중 기관 검증은 다양한 임상 환경에서 모델의 일반화 능력에 어떤 영향을 미치는가?
• RQ3 모델 앙상블이 성능 향상에 얼마나 기여하는가? 이는 추론 효율성과 자원 사용 측면에서 어떤 상충 관계를 수반하는가?
• RQ4 예를 들어 중앙부 뇌동맥류의 중앙값 부피가 단지 238 백셀에 불과한 경우와 같이 극히 작은 또는 희귀한 구조를 분할하는 데 있어 주요 과제는 무엇인가?
• RQ5 딥 러닝 기반 의료 영상 분할 분야에서 일반화, 강건성, 데이터 효율성 측면에서 여전히 남아 있는 이론적 및 실무적 격차는 무엇인가?

주요 결과

• 10개의 2020년 챌린지에서 상위 성능을 낸 방법들은 주로 3D 컨텍스트 모델링과 스킵 연결을 위한 수정이 가미된 U-Net 기반 아키텍처를 사용한다.
• 거의 모든 상위 솔루션에서 모델 앙상블가 사용되었으며, 성능 향상에 기여했지만 높은 계산 자원 소모와 추론 시간 증가를 수반했다.
• nnU-Net 프레임워크는 자동 설정 구성과 뛰어난 강건성 덕분에 53개의 과제 중 33개에서 최고 성능을 기록하며 주요 기반 모델로 부상했다.
• 어떤 챌린지에서는 높은 DSC 스코어를 기록했지만, 새로운 기관에서의 성능은 크게 떨어져, 다양한 스캐너 제조사 및 기관 간 일반화 능력이 열악함을 시사했다.
• 극도로 불균형한 경우—예를 들어 ADAM 챌린지에서 표적 크기 중앙값이 238 백셀에 불과한 경우—상위 방법들 역시 DSC 0.41에 그치며 희귀한 구조 분할 문제의 지속적 과제를 드러냈다.
• 본 연구는 현재 분할 네트워크의 이론적 기반은 여전히 약하며, 일반화, 손실 경로, 데이터 효율성에 관한 열린 질문들이 남아 있음을 규명했다.