[논문 리뷰] DALS: Deep Active Lesion Segmentation

Ali Hatamizadeh, Assaf Hoogi외 5명|arXiv (Cornell University)|2019. 08. 19.

Radiomics and Machine Learning in Medical Imaging참고 문헌 8인용 수 1

한 줄 요약

DALS는 다중 척도 인코더-디코더 CNN과 향상된 레벨셋 활성 윤곽 모델을 결합한 딥 라이브 레이션 세그멘테이션 프레임워크를 제안하며, 특히 소규모 데이터셋에서 정밀한 레이션 세그멘테이션을 달성한다. 이 방법은 종료형으로 초기화 확률 지ap과 ACM 파라미터를 학습하며, MR 및 CT 스캔에서 다양한 다장기 레이션 데이터셋에서 기존 방법들을 능가한다.

ABSTRACT

Lesion segmentation is an important problem in computer-assisted diagnosis that remains challenging due to the prevalence of low contrast, irregular boundaries that are unamenable to shape priors. We introduce Deep Active Lesion Segmentation (DALS), a fully automated segmentation framework for that leverages the powerful nonlinear feature extraction abilities of fully Convolutional Neural Networks (CNNs) and the precise boundary delineation abilities of Active Contour Models (ACMs). Our DALS framework benefits from an improved level-set ACM formulation with a per-pixel-parameterized energy functional and a novel multiscale encoder-decoder CNN that learns an initialization probability map along with parameter maps for the ACM. We evaluate our lesion segmentation model on a new Multiorgan Lesion Segmentation (MLS) dataset that contains images of various organs, including brain, liver, and lung, across different imaging modalities---MR and CT. Our results demonstrate favorable performance compared to competing methods, especially for small training datasets.

연구 동기 및 목표

• 의료 영상에서 저대비도 및 비정형 경계를 가진 레이션을 세그멘테이션하는 데 도전하는 것.
• 딥 페처 학습과 활성 윤곽 모델을 통합하여 레이션 세그멘테이션 정확도를 향상시키는 것.
• 제한된 학습 데이터로도 잘 작동하는 프레임워크를 개발하는 것.
• 초기화 지도와 활성 윤곽 파라미터를 동시에 학습하는 통합 아키텍처를 만드는 것.
• 다양한 다장기, 다모odal 레이션 세그멘테이션 데이터셋에서 성능을 평가하는 것.

제안 방법

• 활성 윤곽 모델을 위한 초기화 확률 지도와 파라미터 지도를 예측하기 위해 새로운 다중 척도 인코더-디코더 CNN을 사용한다.
• 픽셀 단위의 파라미터화를 통해 개선된 레벨셋 공식화가 세밀한 경계 분할을 가능하게 한다.
• 활성 윤곽 모델의 에너지 기능을 픽셀 단위로 파arameter화하여 레이션 형태에 대한 적응성을 향상시킨다.
• 세그멘테이션 정확도와 윤곽 충실도를 통합한 공동 손실 함수를 사용해 프레임워크를 종료형으로 훈련시킨다.
• MR 및 CT 스캔에서 뇌, 간, 폐 레이션을 포함한 새로운 다장기 레이션 세그멘테이션(MLS) 데이터셋에서 모델을 평가한다.
• 강력한 특징 추출을 위해 딥 페처를 활용하고, 정밀한 경계 보정을 위해 활성 윤곽을 사용한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 활성 윤곽 모델이 저대비도, 비정형 경계를 가진 레이션의 세그멘테이션 정확도를 향상시킬 수 있는가?
• RQ2 제한된 학습 데이터로도 제안된 DALS 프레임워크가 최신 기술 대비 얼마나 잘 성능을 내는가?
• RQ3 초기화 지도와 활성 윤곽 파라미터의 공동 학습이 세그멘테이션 성능 향상에 기여하는가?
• RQ4 다양한 장기와 영상 모odalities 간에 프레임워크의 일반화 능력은 어느 정도인가?
• RQ5 레벨셋 에너지 기능의 픽셀 단위 파라미터화가 경계 정밀도를 향상시키는가?

주요 결과

• DALS는 다장기 레이션 세그멘테이션(MLS) 데이터셋에서 경쟁 기법들에 비해 유리한 성능을 기록한다.
• 특히 소규모 학습 데이터셋에서 강력한 일반화 능력과 강인성을 보여준다.
• CNN 기반 특징 학습과 활성 윤곽 모델의 통합이 비정형 레이션의 경계 분할 정확도를 향상시킨다.
• 에너지 기능의 픽셀 단위 파라미터화가 레이션 경계 정위치의 정밀도를 향상시킨다.
• 초기화 및 윤곽 파라미터를 동시에 학습할 수 있는 모델의 능력이 더 정확한 세그멘테이션을 이끈다.
• 모델은 뇌, 간, 폐 등 다양한 장기와 MR, CT 등 다양한 영상 모달리티에서 일관된 성능을 보인다.