[논문 리뷰] Deeply Self-Supervising Edge-to-Contour Neural Network Applied to Liver Segmentation.

Minyoung Chung, Jingyu Lee외 3명|arXiv (Cornell University)|2018. 08. 02.

Medical Image Segmentation Techniques인용 수 3

한 줄 요약

이 논문은 복부 CT 영상에서 간 분할을 향상시키기 위해 적응형 윤곽 감독과 전역적 형태 및 깊이 특징을 통합하는 깊이 있는 자기지도 학습 전역 합성 신경망을 제안한다. 분류 성능이 뛰어난 윤곽 학습을 활용하여, 기존 최고 수준의 방법보다 2.13% 높은 Dice 점수를 달성하였으며, 이는 유도된 윤곽 특징이 분할 정확도를 크게 향상시킨다는 것을 보여준다.

ABSTRACT

Objective: Herein, a neural network-based liver segmentation algorithm is proposed, and its performance was evaluated using abdominal computed tomography (CT) images. Methods: A fully convolutional network was developed to overcome the volumetric image segmentation problem. To guide a neural network to accurately delineate a target liver object, the network was deeply supervised by applying the adaptive self-supervision scheme to derive the essential contour, which acted as a complement with the global shape. The discriminative contour, shape, and deep features were internally merged for the segmentation results. Results and Conclusion: 160 abdominal CT images were used for training and validation. The quantitative evaluation of the proposed network was performed through an eight-fold cross-validation. The result showed that the method, which uses the contour feature, segmented the liver more accurately than the state-of-the-art with a 2.13% improvement in the dice score. Significance: In this study, a new framework was introduced to guide a neural network and learn complementary contour features. The proposed neural network demonstrates that the guided contour features can significantly improve the performance of the segmentation task.

연구 동기 및 목표

• 기관 경계가 종종 모호한 3차원 복부 CT 영상에서 정확한 간 분할 문제를 해결하기 위해.
• 표준 전역 합성 신경망이 명시적 경계 가이드를 갖추지 못해 기관 경계가 정확하지 못한 한계를 극복하기 위해.
• 네트워크 내부 특징에서 고품질의 윤곽 감독 신호를 적응적으로 생성하는 새로운 자기지도 학습 메커니즘을 도입하기 위해.
• 통합된 프레임워크에서 깊이 특징, 전역적 형태 사전 지식, 분류 성능이 뛰어난 윤곽 정보를 융합하여 분할 성능을 향상시키기 위해.
• 현재 최고 수준의 방법을 초월하여 윤곽 가이드가 분할 정확도 향상에 기여하는지 검증하기 위해.

제안 방법

• 3차원 복합 CT 영상 처리를 위한 전역 합성 신경망(FCN)이 설계되어 엔드 투 엔드 간 분할을 수행한다.
• 네트워크의 내부 특징 맵에서 가짜 진짜 윤곽을 생성하기 위해 적응형 자기지도 학습 기법이 적용되어 다중 레이어에서 깊은 감독을 가능하게 한다.
• 특징 표현에서 날카운 강도 전이와 공간적 경계를 식별함으로써 윤곽 감독가 생성되며, 반복적 정밀화를 통해 개선된다.
• 분류 성능이 뛰어난 윤곽 특징이 명시적으로 학습되어 분할 추론 중 전역 형태 사전 지식과 깊이 계층적 특징과 융합된다.
• 정확한 경계 예측을 장려하기 위해 교차 엔트로피, Dice 손실 및 윤곽 전용 정규화 항을 포함하는 다중 작업 손실을 사용하여 네트워크를 훈련시킨다.
• 강건한 성능 평가를 확보하기 위해 160개의 복부 CT 스캔에 대해 8중 교차 검증을 수행한다.

실험 결과

연구 질문

• RQ1 적응형 자기지도 학습이 간 분할에서 경계 검출을 향상시키는 데 신뢰할 수 있는 윤곽 감독 신호를 생성할 수 있는가?
• RQ2 분류 성능이 뛰어난 윤곽 특징을 깊이 특징과 형태 특징과 융합했을 때, 표준 FCN에 비해 분할 정확도에 어떤 영향을 미치는가?
• RQ3 제안된 방법이 기존 최고 수준의 간 분할 모델보다 Dice 점수와 경계 정밀도 측면에서 뛰어나게 성능을 발휘하는가?
• RQ4 자기지도 학습 윤곽 학습이 수동 애너테이션 의존도를 얼마나 줄이며, 높은 분할 품질을 유지하는가?

주요 결과

• 제안된 방법은 최고 수준의 방법보다 2.13% 높은 Dice 점수를 달성하여 뛰어난 분할 정확도를 입증하였다.
• 자기지도 학습 윤곽 특징의 융합은 특히 낮은 조직 대비 영역에서 경계 분리 정확도를 크게 향상시켰다.
• 160개의 복부 CT 스캔에 대한 8중 교차 검증을 통해 다양한 해부학적 변형과 스캔 프로토콜에서 일관된 성능을 확인하였다.
• 적응형 자기지도 학습 기법이 추가 수동 애너테이션 없이 고품질의 윤곽 감독 신호를 성공적으로 생성하였다.
• 윤곽, 형태, 깊이 특징의 융합은 단지 전역적 형태나 깊이 특징에 의존하는 모델보다 더 강력하고 일반화 능력이 뛰어난 분할 결과를 이끌어냈다.
• 이 방법은 기관 경계 근처에서의 과도한 및 부족한 분할을 줄이며 세밀한 간 윤곽을 잘 포착하는 데 뛰어난 성능을 보였다.