[논문 리뷰] Detection-aided liver lesion segmentation using deep learning

Míriam Bellver, Kevis-Kokitsi Maninis외 4명|arXiv (Cornell University)|2017. 11. 29.

Advanced Neural Network Applications참고 문헌 7인용 수 35

한 줄 요약

이 논문은 다중 척도 감시와 병변 검출기를 활용한 계단식 U-Net 유사 아키텍처를 사용하여 CT 영상에서 간 및 간 병변을 세분화하기 위한 검출 기반 딥러닝 프레임워크를 제안한다. 이는 가짜 양성 결과를 감소시키기 위해 설계되었다. 병변 세분화와 검출 기반 필터링, 3D-CRF 정밀 조정을 결합함으로써 LiTS 챌린지 테스트 세트에서 0.59의 Dice 스코어를 달성하였다.

ABSTRACT

A fully automatic technique for segmenting the liver and localizing its unhealthy tissues is a convenient tool in order to diagnose hepatic diseases and assess the response to the according treatments. In this work we propose a method to segment the liver and its lesions from Computed Tomography (CT) scans using Convolutional Neural Networks (CNNs), that have proven good results in a variety of computer vision tasks, including medical imaging. The network that segments the lesions consists of a cascaded architecture, which first focuses on the region of the liver in order to segment the lesions on it. Moreover, we train a detector to localize the lesions, and mask the results of the segmentation network with the positive detections. The segmentation architecture is based on DRIU, a Fully Convolutional Network (FCN) with side outputs that work on feature maps of different resolutions, to finally benefit from the multi-scale information learned by different stages of the network. The main contribution of this work is the use of a detector to localize the lesions, which we show to be beneficial to remove false positives triggered by the segmentation network. Source code and models are available at https://imatge-upc.github.io/liverseg-2017-nipsws/ .

연구 동기 및 목표

• 진단 및 치료 모니터링을 지원하기 위해 CT 스캔에서 간과 그 병변을 완전 자동으로 세분화하는 방법을 개발하는 것.
• 낮은 대비, 병변 크기의 변동성, 영상 노이즈 등의 과제를 해결하기 위해 간 병변 세분화의 과제를 다루는 것.
• 세분화 네트워크에서 유도되는 가짜 양성 결과를 억제하기 위해 병변 검출기를 활용하여 세분화 정확도를 향상시키는 것.
• 다중 척도 특징과 간 세분화를 이용한 관심 영역(ROI) 자르기를 통해 병변 국소화를 향상시키는 것.
• 기준 방법과의 성능 비교를 위해 LiTS 2017 벤치마크 데이터셋에서 방법을 평가하는 것.

제안 방법

• 계단식 아키텍처를 사용: 먼저 간을 세분화한 후, 병변 전용 세분화를 위한 관심 영역을 자르는 방식.
• 다중 해상도에서 측면 출력을 제공하는 DRIU 기반의 완전 컨volution 네트워크(FCN)를 사용하여 다중 척도 특징을 캡처한다.
• 각 볼륨별로 클래스 균형을 맞추기 위해 가중치가 부여된 이진 교차 엔트로피 손실을 적용한다.
• 학습 중 간 영역 외부의 기울기를 억제하여 관련 픽셀에 한정하여 학습을 제한하고 클래스 균형을 향상시킨다.
• 공간적 및 강도 일관성을 사용하여 세분화 출력을 정밀 조정하기 위해 3D 완전 연결 조건부 랜덤 필드(3D-CRF)를 구현한다.
• 간 주변 패치에서 훈련된 2D 객체 검출기를 사용하여 병변을 국소화하고, 양성 검출 결과만을 사용하여 세분화 예측을 마스킹한다.

실험 결과

연구 질문

• RQ1 순수한 세분화 네트워크와 비교해 병변 검출 기반 접근이 간 병변 세분화에서 가짜 양성 예측을 줄일 수 있는가?
• RQ2 학습 기울기를 간에 위치한 픽셀로 제한할 경우 병변 세분화 성능과 클래스 불균형에 어떤 영향을 미치는가?
• RQ3 3D-CRF 통합이 병변 세분화의 공간 일관성과 정확도를 어느 정도 향상시키는가?
• RQ4 LiTS 벤치마크에서 병변 검출기와 세분화 네트워크를 결합하는 것이 세분화만으로 수행할 경우보다 더 나은 성능을 내는가?
• RQ5 측면 출력을 통한 다중 척도 감시가 저대비 CT 영상에서 세밀한 병변 세부 정보를 얼마나 잘 포착하는가?

주요 결과

• 기준 계단식 세분화 전용 접근 방식은 LiTS 테스트 세트에서 0.41의 Dice 스코어를 달성하였다.
• 3D 입력과 간 영역 기반 기울기 억제를 추가함으로써 학습을 관련 영역에 집중시켜 Dice 스코어가 0.54로 향상되었다.
• 병변 검출기를 통합함으로써 가짜 양성 결과를 필터링하여 Dice 스코어가 0.57로 더 높아졌다.
• 최종적으로 3D-CRF 통합으로 Dice 스코어가 0.59로 상승하여 후처리를 통한 공간 일관성 향상의 이점을 입증하였다.
• 기준 및 중간 설정보다 성능이 뛰어나, 병변 가이드라인과 CRF 정밀 조정이 작은 저대비 병변에 효과적임을 보여주었다.
• 제거 분석을 통해 간에 위치한 픽셀로 학습을 제한함으로써 일반화 능력 향상과 가짜 양성 감소가 가능하며, 이는 주의 메커니즘을 모방하는 데 기여한다.