[논문 리뷰] Deep Learning in Multi-organ Segmentation

Yang Lei, Yabo Fu외 5명|arXiv (Cornell University)|2020. 01. 28.

Radiomics and Machine Learning in Medical Imaging참고 문헌 168인용 수 5

한 줄 요약

이 논문은 의료 영상에서 다기관 분할을 위한 딥러닝(DL) 기반 방법을 검토하며, 네트워크 아키텍처별로 분류하고 2017년 AAPM 체胸部 및 2015년 MICCAI 헤드 앤 네크 라벨링 도전 대회에서의 벤치마크 데이터셋에서의 성능을 평가한다. 데이터 부족, 클래스 불균형, 계산 복잡도 등의 주요 과제를 밝히며, 보다 정확하고 강건한 방사선 치료 계획 수립을 위한 전면 컨볼루션 네트워크와 생성적 적대적 네트워크(GANs)로의 추세를 강조한다.

ABSTRACT

This paper presents a review of deep learning (DL) in multi-organ segmentation. We summarized the latest DL-based methods for medical image segmentation and applications. These methods were classified into six categories according to their network design. For each category, we listed the surveyed works, highlighted important contributions and identified specific challenges. Following the detailed review of each category, we briefly discussed its achievements, shortcomings and future potentials. We provided a comprehensive comparison among DL-based methods for thoracic and head & neck multiorgan segmentation using benchmark datasets, including the 2017 AAPM Thoracic Auto-segmentation Challenge datasets and 2015 MICCAI Head Neck Auto-Segmentation Challenge datasets.

연구 동기 및 목표

• 의료 영상에서 다기관 분할을 위한 최근의 딥러닝 기반 방법에 대한 종합적인 검토를 제공하기 위해.
• 네트워크 설계 기반으로 DL 방법을 분류하고 분석하여 각 범주에서의 주요 기여와 한계를 부각하기 위해.
• 2017년 AAPM 및 2015년 MICCAI 도전 대회에서의 표준 벤치마크 데이터셋을 사용하여 최신의 DL 기반 분할 모델의 성능을 평가하기 위해.
• 다기관 분할에서 지속적인 과제인 데이터 부족, 클래스 불균형, 계산 복잡도를 식별하기 위해.
• 미래 연구 방향을 제시하기 위해, 특히 GAN과 하이브리드 아키텍처가 분할 신뢰성과 일반화 능력을 향상시키는 데서 점점 더 중요한 역할을 할 것으로 전망한다.

제안 방법

• 딥러닝 기반 다기관 분할 방법을 아키텍처 혁신 기반으로 여섯 가지 네트워크 설계 유형으로 분류한다.
• 2017년 AAPM 체胸部 및 2015년 MICCAI 헤드 앤 네크 데이터셋에서 표준화된 지표—Dice 유사도 계수(DSC) 및 Hausdorff 거리(HD95)—를 사용하여 성능을 평가한다.
• 전면 컨볼루션 네트워크(FCNs)를 적용하여 CT 영상에서 다기관 레이블을 직접 예측하는 엔드 투 엔드 의미 분할을 실현한다.
• 심화된 감독 및 주의 메커니즘과 같은 고급 기법을 통합하여 경계 국소화를 향상시키고 저대비 구조를 처리한다.
• 생성적 적대적 네트워크(GANs)를 탐색하여 적대적 훈련을 통해 윤곽의 신뢰성 향상과 모델 편향 감소를 도모한다.
• 데이터 증강 및 합성 샘플 생성을 고려하여, 레이블 수가 제한된 상황에서의 클래스 불균형 및 데이터 부족 문제를 완화한다.

실험 결과

연구 질문

• RQ1 다양한 딥러닝 네트워크 아키텍처는 흉부 및 헤드 앤 네크 CT 스캔에서 다기관 분할 성능에 어떻게 비교되는가?
• RQ2 일반화 능력에 제약을 주는 주요 과제들—예를 들어 데이터 부족, 클래스 불균형, 영상 품질—는 무엇인가?
• RQ3 전면 컨볼루션 네트워크와 GAN 기반 방법은 전통적인 애틀라스 기반 또는 모델 기반 접근 방식에 비해 분할 정확도와 강건성에 얼마나 기여하는가?
• RQ4 Dice 유사도 계수와 HD95와 같은 지표들은 방사선 치료 계획에서 자동 기관 라벨링의 임상적 신뢰성과 어떻게 관련되는가?
• RQ5 하이브리드 아키텍처나 주의 메커니즘과 같은 미래의 추세는 현재 다기관 분할의 한계를 해결하기 위해 어떻게 부상하고 있는가?

주요 결과

• 전면 컨볼루션 네트워크(FCNs)는 엔드 투 엔드 다기관 분할의 주요 접근 방식이 되었으며, 표준 벤치마크 데이터셋에서 뛰어난 성능을 보였다.
• 2017년 AAPM 체胸部 도전 대회에서 최상위 성능을 낸 모델은 척수에 대해 평균 DSC 0.85 ± 0.10,食도에 대해 0.84 ± 0.05를 기록했다.
• 2015년 MICCAI 헤드 앤 네크 도전 대회에서는 왼쪽 췌샘에 대해 평균 DSC 0.82 ± 0.07, 오른쪽 췌샘에 대해 0.81 ± 0.06를 기록했다.
• GAN 기반 방법은 특히 소형 또는 저대비 기관에 대해 윤곽의 매끄러움을 향상시키고 모델 편향을 감소시키는 데 잠재력을 보였다.
• 뇌간(2.01 ± 0.33 mm)과 턱뼈(1.26 ± 0.50 mm)와 같은 중요한 구조에서는 Hausdorff 거리(HD95) 값이 일관되게 낮아 경계 정확도가 높음을 시사했다.
• 강력한 성능에도 불구하고, 과적합, 클래스 불균형, 지표 레이블링에서의 관찰자 간 변동성 등의 과제는 실제 적용 시 중요한 제약 요소로 남아 있다.