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

Wentao Zhu, Chaochun Liu외 2명|arXiv (Cornell University)|2018. 01. 25.

Lung Cancer Diagnosis and Treatment참고 문헌 30인용 수 64

한 줄 요약

DeepLung은 3D Faster R-CNN을 사용한 3D 듀얼 패스 네트워크로 결절을 탐지하고, 심층 특징, 결절 크기 및 원시 픽셀을 기반으로 GBM으로 분류하는 완전 자동화된 흉부 CT 암 진단 시스템이다.

ABSTRACT

In this work, we present a fully automated lung computed tomography (CT) cancer diagnosis system, DeepLung. DeepLung consists of two components, nodule detection (identifying the locations of candidate nodules) and classification (classifying candidate nodules into benign or malignant). Considering the 3D nature of lung CT data and the compactness of dual path networks (DPN), two deep 3D DPN are designed for nodule detection and classification respectively. Specifically, a 3D Faster Regions with Convolutional Neural Net (R-CNN) is designed for nodule detection with 3D dual path blocks and a U-net-like encoder-decoder structure to effectively learn nodule features. For nodule classification, gradient boosting machine (GBM) with 3D dual path network features is proposed. The nodule classification subnetwork was validated on a public dataset from LIDC-IDRI, on which it achieved better performance than state-of-the-art approaches and surpassed the performance of experienced doctors based on image modality. Within 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 that DeepLung has performance comparable to experienced doctors both for the nodule-level and patient-level diagnosis on the LIDC-IDRI dataset.\footnote{https://github.com/uci-cbcl/DeepLung.git}

연구 동기 및 목표

• 임상의의 수동 분석에 대한 의존도를 줄이기 위해 자동화된 엔드-투-엔드 흉부 CT 암 진단을 촉진한다.
• CT 데이터의 3D 특성에 맞춘 컴팩트하고 효과적인 3D 딥러닝 아키텍처를 탐지 및 분류에 맞춰 개발한다.
• 결절 탐지와 분류를 결절 융합(nodule fusion)을 통해 환자 수준 진단으로 연결하는 일관된 시스템으로 통합한다.
• 3D ResNets에 비해 매개변수 수를 줄이면서 성능을 향상시키기 위해 3D 듀얼 패스 네트워크를 활용한다.

제안 방법

• CT 부피에서 결절 탐지를 위한 3D Faster R-CNN을 3D 듀얼 패스 블록과 U-net 유사 인코더-디코더로 설계한다.
• 자른 결절에서 특징을 추출하기 위해 깊은 3D 듀얼 패스 네트워크를 사용한다.
• 깊은 특징, 결절 크기, 원시 결절 픽셀을 결합하여 양성/악성 분류를 위한 gradient boosting machine (GBM)을 학습시킨다.
• 탐지된 결절을 특징 추출을 위해 32x32x32로 자르고, 16x16x16 픽셀 크기의 자르기를 GBM의 추가 입력으로 사용한다.
• LUNA16에서 FROC로 탐지를 평가하고 LIDC-IDRI에서 정확도로 분류를 평가하며 최첨단 방법 및 숙련된 의사들과 비교한다.

실험 결과

연구 질문

• RQ1 공개 CT 데이터셋에서 완전 자동화된 3D DeepLung 파이프라인이 결절 수준의 정확도에서 숙련된 방사선과를 견줄 만큼 또는 이를 상회할 수 있는가?
• RQ2 3D 듀얼 패스 네트워크가 전통적인 3D CNN보다 흉부 결절의 탐지 및 분류에 이점을 제공하는가?
• RQ3 GBM을 통해 깊은 특징과 결절 크기 및 원시 픽셀 데이터를 결합하는 것이 우수한 결절 분류 성능을 얻는가?
• RQ4 결절 수준 분류의 융합이 환자 수준(CT) 암 진단에서도 경쟁력 있는 결과를 내는가?

주요 결과

• 3D DPN 기반 탐지기가 파라미터 수를 훨씬 줄이면서도 3D ResNet 기반 탐지기보다 더 높은 FROC를 달성한다(84.2% vs 83.4%, 파라미터의 1/4 사용).
• 깊은 3D DPN 특징과 GBM 및 크기/픽셀 입력을 결합한 결절 분류가 LIDC-IDRI에서 90.44% 정확도를 달성한다.
• DeepLung의 결절 수준 예측은 확신 있는 결절에서 평균 전문가 의사 성능을 초과한다(평균 92.74% vs 의사 91.25%).
• 완전 자동 환자 수준 진단에서 DeepLung은 81.41% 정확도를 달성하여 평균 의사 성능(82.31%)에 근접하고 단독으로는 한 의사보다 낫다.
• GBM은 위양성 탐지 결절에서 상당한 위양성 감소(위양성 97.02% 감소)를 달성하면서도 양성 예측(참 양성) 성능을 유지한다.
• DeepLung의 환자 수준 진단에 대한 카파 일치는 63.02%로 의사들의 평균 64.46%에 견줄 만하다.