[논문 리뷰] Deep Distance Transform for Tubular Structure Segmentation in CT Scans

Yan Wang, Wei Xu외 6명|arXiv (Cornell University)|2019. 12. 06.

Medical Image Segmentation Techniques참고 문헌 50인용 수 7

한 줄 요약

이 논문은 CT 영상에서 관형 구조의 분할 마스크와 거리 맵을 동시에 예측하는 기하학적 인지 기반 딥러닝 방법인 딥 거리 변환(DDT)을 제안한다. 거리 맵을 활용해 형태 사전 지식을 복원함으로써 DDT는 분할 정확도를 향상시키며, 췌장 관 분할에서 13퍼센트 이상의 DSC 향상을 달성한다. 또한 임상적으로 유의미한 횡단면 척도 측정값을 제공한다.

ABSTRACT

Tubular structure segmentation in medical images, e.g., segmenting vessels in CT scans, serves as a vital step in the use of computers to aid in screening early stages of related diseases. But automatic tubular structure segmentation in CT scans is a challenging problem, due to issues such as poor contrast, noise and complicated background. A tubular structure usually has a cylinder-like shape which can be well represented by its skeleton and cross-sectional radii (scales). Inspired by this, we propose a geometry-aware tubular structure segmentation method, Deep Distance Transform (DDT), which combines intuitions from the classical distance transform for skeletonization and modern deep segmentation networks. DDT first learns a multi-task network to predict a segmentation mask for a tubular structure and a distance map. Each value in the map represents the distance from each tubular structure voxel to the tubular structure surface. Then the segmentation mask is refined by leveraging the shape prior reconstructed from the distance map. We apply our DDT on six medical image datasets. The experiments show that (1) DDT can boost tubular structure segmentation performance significantly (e.g., over 13% improvement measured by DSC for pancreatic duct segmentation), and (2) DDT additionally provides a geometrical measurement for a tubular structure, which is important for clinical diagnosis (e.g., the cross-sectional scale of a pancreatic duct can be an indicator for pancreatic cancer).

연구 동기 및 목표

• 저대비, 노이즈가 많은 배경을 가진 복잡한 CT 영상에서 관형 구조의 정확한 분할에 도전한다.
• 실린더 형태와 일관된 횡단면 반지름과 같은 기하학적 제약 조건을 忽시하는 기존의 학습 기반 방법의 한계를 극복한다.
• 얻기 어려운 진정한 기준 뼈대를 필요로 하지 않기 위해, 미분 가능하고 기하학적 인지가 가능한 지도 신호로 거리 변환을 사용한다.
• 췌장암 같은 질환 진단을 위한 임상적으로 유용한 기하 측정값인 횡단면 척도를 분할 결과와 함께 제공한다.

제안 방법

• 3D CT 영상에서 관형 구조의 분할 마스크와 거리 맵을 동시에 예측하는 다중 작업 딥 네트워크를 훈련한다.
• 각 복소체 값이 가장 가까운 표면까지의 거리를 나타내는 거리 맵을 사용하여, 관형 구조의 뼈대와 반지름을 암묵적으로 인코딩한다.
• 거리 맵의 고리(국소 최대값)를 식별하여 거리 맵에서 형태 사전 지식을 복원한다. 이는 뼈대와 관련된 반지름에 해당한다.
• 복원된 형태 사전 지식을 사용해 초기 분할 마스크를 보정함으로써 기하학적 일致성을 강화하고 정확도를 향상시킨다.
• 뼈대 상의 예측된 최대 거리(반지름)를 이용해 췌장관 확장과 같은 병리학적 징후로 활용한다.
• 기준 뼈대가 필요 없이 종래적인 방식의 뼈대 추출 과정에서 발생하는 불안정성과 오류를 피하면서, 종래의 방식과 동일한 수준의 기하학적 정확도를 달성한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 노이즈가 많고 대비가 낮은 CT 영상에서 관형 구조의 분할과 거리 맵을 동시에 예측함으로써 분할 정확도를 향상시킬 수 있는가?
• RQ2 거리 맵에서 유도된 기하학적 사전 지식을 통합할 경우, 표준 분할 네트워크에 비해 더 해부학적으로 타당하고 정확한 분할 결과를 도출할 수 있는가?
• RQ3 예측된 거리 맵이 췌장관세포암과 같은 질환 진단에 있어 횡단면 반지름과 같은 임상적으로 의미 있는 측정값을 제공할 수 있는가?
• RQ4 예측된 확장된 관을 통해 이전에 간과된 종양을 탐지할 수 있는가? 이는 병리학적 징후의 간접적 지표이다.
• RQ5 DDT의 성능은 DSC와 임상적 탐지 민감도 측면에서 최신 기술 대비 어떻게 비교되는가?

주요 결과

• DDT는 기준 방법 대비 췌장관 분할에서 13퍼센트 이상의 상대적 DSC 향상을 달성한다.
• 이전에 간과된 8개의 췌장관세포암(PDAC) 종양 중 4개를 확장된 관을 식별함으로써 성공적으로 탐지하여, 간과된 사례 수를 8개에서 4개로 줄였다.
• DDT를 이전 탐지 방법과 조합할 경우 민감도는 94.1퍼센트에서 97.1퍼센트로 상승하지만 특이도는 98.5퍼센트를 유지한다.
• 뼈대 상의 예측된 최대 거리(반지름)는 신뢰할 수 있는 기하 측정값을 제공하며, 3 복소체 이상(약 1.5 mm)의 값은 췌장관 확장의 가능성을 시사하며, 이는 PDAC의 알려진 징후이다.
• 확장된 관을 이용해 종양 탐지의 검색 공간을 좁힐 수 있으며, 이를 통해 후속 네트워크가 더 작은 위험 지역에 집중함으로써 정확도를 향상시킬 수 있다.
• 이 방법은 기준 뼈대가 필요 없어 전통적인 3D 뼈대 추출 과정에서 발생하는 불안정성과 오류를 피하면서도 높은 기하학적 정확도를 달성한다.