[논문 리뷰] Dual-branch residual network for lung nodule segmentation

Haichao Cao, Hong Liu외 6명|arXiv (Cornell University)|2019. 05. 21.

Lung Cancer Diagnosis and Treatment참고 문헌 50인용 수 10

한 줄 요약

이 논문은 중심 강도 풀링층을 통해 강도 및 컨볼루션 특징을 융합하는 双분지 아키텍처를 통해 다중시점 및 다중스케일 특징을 활용하여 CT 영상에서 폐결절 정확한 세그멘테이션을 위한 이중분지 잔차망(DB-ResNet)을 제안한다. LIDC 데이터셋에서 평균 Dice 스코어 82.74%를 기록하여 네 명의 방사선과 전문의보다 0.49个百分点 높은 성능을 보였다.

ABSTRACT

An accurate segmentation of lung nodules in computed tomography (CT) images is critical to lung cancer analysis and diagnosis. However, due to the variety of lung nodules and the similarity of visual characteristics between nodules and their surroundings, a robust segmentation of nodules becomes a challenging problem. In this study, we propose the Dual-branch Residual Network (DB-ResNet) which is a data-driven model. Our approach integrates two new schemes to improve the generalization capability of the model: 1) the proposed model can simultaneously capture multi-view and multi-scale features of different nodules in CT images; 2) we combine the features of the intensity and the convolution neural networks (CNN). We propose a pooling method, called the central intensity-pooling layer (CIP), to extract the intensity features of the center voxel of the block, and then use the CNN to obtain the convolutional features of the center voxel of the block. In addition, we designed a weighted sampling strategy based on the boundary of nodules for the selection of those voxels using the weighting score, to increase the accuracy of the model. The proposed method has been extensively evaluated on the LIDC dataset containing 986 nodules. Experimental results show that the DB-ResNet achieves superior segmentation performance with an average dice score of 82.74% on the dataset. Moreover, we compared our results with those of four radiologists on the same dataset. The comparison showed that our average dice score was 0.49% higher than that of human experts. This proves that our proposed method is as good as the experienced radiologist.

연구 동기 및 목표

• 형태학적 다양성과 조직 유사성으로 인해 CT 영상에서 폐결절 세그멘테이션을 정확히 수행하는 데 도전하는 문제를 해결하기 위해.
• 폐결절의 다중스케일 및 다중시점 특징을 캡처하여 모델의 일반화 능력을 향상시키기 위해.
• 강도 기반 특징과 깊은 컨볼루션 특징을 융합하여 특징 표현을 향상시키기 위해.
• 경계 신뢰도 점수 기반 가중 샘플링 전략을 통해 결절 경계의 잘못된 분류를 줄이기 위해.

제안 방법

• DB-ResNet는 두 개의 병렬 브랜치를 사용한다: 하나는 블록의 중심 복소에서 중심 강도 풀링(CIP) 레이어를 통해 강도 특징을 추출하고, 다른 하나는 CNN를 통해 공간적 특징을 학습한다.
• CIP 레이어는 3D 복소 블록의 중심 영역에서 통계적 강도 특징(예: 평균, 분산)을 계산하여 국소 텍스처 정보를 유지한다.
• 가중 샘플링 전략은 결절 경계 근처의 복소에 더 높은 점수를 할당하여 어려운 경계 영역에서의 학습을 향상시킨다.
• 두 브랜치의 특징은 연결되어 잔차 블록을 통해 처리되어 식별성 단순 경로를 통해 깊은 네트워크 학습을 가능하게 한다.
• 불균형한 결절 대 배경 비율을 다루기 위해 클래스 보정을 적용한 교차 엔트로피 손실을 사용하여 엔드 투 엔드로 모델을 훈련시킨다.
• 테스트 단계에서 다중스케일 추론 전략을 적용하여 다양한 수신장치를 가진 예측을 융합하여 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 이중분지 아키텍처는 강도 특징과 깊은 컨볼루션 특징을 효과적으로 융합하여 결절 세그멘테이션 성능을 향상시킬 수 있는가?
• RQ2 다중스케일 및 다중시점 특징 학습은 다양한 폐결절에서 세그멘테이션 성능을 어떻게 향상시키는가?
• RQ3 경계 인식 샘플링 전략은 결절 가장자리에서의 잘못된 분류를 줄일 수 있는가?
• RQ4 제안된 방법은 표준 벤치마크에서 인간 방사선과 전문의보다 세그멘테이션 정확도에서 뛰어나게 성능을 냈는가?
• RQ5 CIP 레이어는 3D 결절에서 국소 텍스처 및 강도 패턴을 얼마나 기여하여 유지하는가?

주요 결과

• DB-ResNet는 986개의 폐결절을 포함하는 LIDC-IDRI 데이터셋에서 평균 Dice 스코어 82.74%를 기록했다.
• 모델은 네 명의 숙련된 방사선과 전문의보다 평균 Dice 스코어에서 0.49个百分点 높은 성능을 보이며 뛰어난 성능을 입증했다.
• 제거 실험에서 이중분지 특징 융합과 가중 샘플링 전략이 성능 향상에 기여하는 것으로 확인되었다.
• CIP 레이어는 특히 이질적인 결절 영역에서 국소 강도 패턴을 캡처하여 특징 표현을 향상시켰다.
• 다중스케일 추론 전략은 특히 작은 크기이거나 비정형인 형태의 결절에서 강건성을 향상시켰다.
• 모델는 크기, 형태, 텍스처가 다양한 결절에 대해 뛰어난 일반화 능력을 보이며 높은 적응성을 나타냈다.