[논문 리뷰] DeepLung: 3D Deep Convolutional Nets for Automated Pulmonary Nodule Detection and Classification

Wentao Zhu, Chaochun Liu외 2명|arXiv (Cornell University)|2017. 09. 16.

Lung Cancer Diagnosis and Treatment참고 문헌 24인용 수 4

한 줄 요약

DeepLung은 폐암 진단을 위한 완전 자동화된 3D 딥러닝 시스템으로, 종양 검출에 3D Faster R-CNN와 U-Net 유사 아키텍처를, 분류에 3D 듀얼 패스 네트워크와 기울기 부스팅을 사용한다. 이 시스템은 LIDC-IDRI 데이터셋에서 네 명의 숙련된 방사선의사 평균 성능을 초월하여 종양 수준 및 환자 수준 진단에서 최신 기술 수준의 성능을 보였다.

ABSTRACT

In this work, we present a fully automated lung CT cancer diagnosis system, DeepLung. DeepLung contains two parts, nodule detection and classification. Considering the 3D nature of lung CT data, two 3D networks are designed for the nodule detection and classification respectively. Specifically, a 3D Faster R-CNN is designed for nodule detection with a U-net-like encoder-decoder structure to effectively learn nodule features. For nodule classification, gradient boosting machine (GBM) with 3D dual path network (DPN) features is proposed. The nodule classification subnetwork is validated on a public dataset from LIDC-IDRI, on which it achieves better performance than state-of-the-art approaches, and surpasses the average performance of four experienced doctors. For the DeepLung system, candidate nodules are detected first by the nodule detection subnetwork, and nodule diagnosis is conducted by the classification subnetwork. Extensive experimental results demonstrate the DeepLung is comparable to the experienced doctors both for the nodule-level and patient-level diagnosis on the LIDC-IDRI dataset.

연구 동기 및 목표

• 종양 검출과 분류를 통합한 완전 자동화된 엔드 투 엔드 폐 CT 암 진단 시스템을 개발하기 위해.
• 기존 CAD 시스템의 한계를 극복하기 위해 3D 컨볼루션 네트워크를 활용하여 부피형 CT 데이터에서 개선된 특징 학습을 수행하기 위해.
• 딥러닝과 앙상블 모델링을 활용해 종양 분류에서 인간 방사선의사 성능을 초월하기 위해.
• 개별 종양 예측을 융합하여 환자 수준의 진단을 가능하게 하는 통합 프레임워크를 구축하기 위해.

제안 방법

• 3D Faster R-CNN와 U-Net 유사 인코더-디코더 구조를 사용하여 종양 검출을 수행함으로써 부피형 CT 스캔에서 효과적인 3D 특징 학습이 가능하다.
• 검출된 종양은 잘라내어 3D 딥 듀얼 패스 네트워크(DPN)에 입력하여 계층적이고 척도 불변 특징을 추출한다.
• DPN 특징, 종양 크기, 원본 종양 픽셀 강도를 조합하여 기울기 부스팅 기반 머신(GBM)을 훈련시켜 최종 분류를 수행한다.
• 시스템은 먼저 종양 검출을 수행하고, 그 다음 분류를 수행하며, 결과를 융합하여 환자 수준의 진단을 수행한다.
• 검출 및 분류에 표준 평가 프rotocol를 사용하여 LIDC-IDRI 및 LUNA16 데이터셋에서 프레임워크를 검증한다.
• 모델의 행동 분석과 잠재적 오진을 이해하기 위해 탐지 및 분류 결과의 시각화 및 추론 분석을 수행한다.

실험 결과

연구 질문

• RQ1 완전 자동화된 3D 딥러닝 시스템이 숙련된 방사선의사보다 폐 종양 분류 성능에서 뛰어나게 할 수 있는가?
• RQ2 3D Faster R-CNN와 U-Net 유사 아키텍처는 저선량 CT 스캔에서 폐 종양을 탐지하는 데 얼마나 효과적인가?
• RQ3 기울기 부스팅과 함께 사용되는 3D 듀얼 패스 네트워크는 기존 딥러닝 및 전통적 방법보다 분류 정확도를 향상시킬 수 있는가?
• RQ4 딥 레이어 특징, 크기, 원본 픽셀 데이터를 융합함으로써 분류 성능 향상에 얼마나 기여하는가?
• RQ5 시스템은 종양 수준 및 환자 수준의 진단에서 모두 방사선의사 수준의 성능을 달성할 수 있는가?

주요 결과

• LIDC-IDRI 데이터셋에서 종양 분류 서브넷은 최신 기술 수준의 성능을 달성하여 네 명의 숙련된 방사선의사 평균 성능을 초월했다.
• 3D Faster R-CNN와 U-Net 유사 아키텍처는 강력한 탐지 능력을 보였으며, 3mm 이상의 종양에 대해 높은 탐지 확률을 보였다.
• 오진 탐지의 주요 원인은 3mm 미만의 작은 종양이었으며, 이는 지표 데이터에 포함되지 않아 노이즈에 대한 강건성을 시사했다.
• 시각화 결과, 일부 방사선의사가 잘못 진단한 종양(특히 미세하거나 비정상적인 경계를 가진 종양)을 모델이 정확히 분류한 것으로 나타났다.
• 모델는 약하거나 모호한 비정상 경계를 탐지하는 데 한계를 보였으며, 도전적인 케이스에서 일부 오진 음성 결과가 발생했다.
• 시스템은 종양 수준 및 환자 수준의 진단에서 모두 숙련된 방사선의사 수준의 성능을 달성하여 임상적 잠재력을 입증했다.