[논문 리뷰] Efficient Context-Aware Network for Abdominal Multi-organ Segmentation

Fan Zhang, Yu Wang외 1명|arXiv (Cornell University)|2021. 09. 22.

Radiomics and Machine Learning in Medical Imaging참고 문헌 10인용 수 13

한 줄 요약

이 논문은 복부 CT 영상에서 복수의 장기를 세분화하기 위해 새로운 효율적인SegNet을 포함한 전체 볼륨 기반의 코arse-to-fine 프레임워크를 제안한다. 이는 이방향성 컨볼루션과 스트립 풀링 모듈을 활용하여 저비용으로 장거리 이방향성 컨텍스트를 포착하며, FLARE2021 검증 세트에서 평균 DSC 0.895와 NSD 0.775의 최상의 성능을 기록하여 대회에서 1등을 차지하였다.

ABSTRACT

The contextual information, presented in abdominal CT scan, is relative consistent. In order to make full use of the overall 3D context, we develop a whole-volume-based coarse-to-fine framework for efficient and effective abdominal multi-organ segmentation. We propose a new efficientSegNet network, which is composed of basic encoder, slim decoder and efficient context block. For the decoder module, anisotropic convolution with a k*k*1 intra-slice convolution and a 1*1*k inter-slice convolution, is designed to reduce the computation burden. For the context block, we propose strip pooling module to capture anisotropic and long-range contextual information, which exists in abdominal scene. Quantitative evaluation on the FLARE2021 validation cases, this method achieves the average dice similarity coefficient (DSC) of 0.895 and average normalized surface distance (NSD) of 0.775. This method won the 1st place on the 2021-MICCAI-FLARE challenge. Codes and models are available at https://github.com/Shanghai-Aitrox-Technology/EfficientSegmentation.

연구 동기 및 목표

• 높은 해부학적 변동성과 제한된 GPU 메모리로 인해 정확하고 효율적인 복부 CT 영상에서의 복수 장기 세분화 문제를 해결하기 위해.
• 슬라이딩 윈도우 방법이 3D 컨텍스트를 상실하고 계산량을 증가시키는 한계를 극복하기 위해.
• 전체 볼륨 기반의 프레임워크를 개발하여 글로벌 컨텍스트를 유지하면서도 계산 효율성을 확보하기 위해.
• 형태와 크기의 변동성이 높은 장기의 세분화 정확도를 향상시키기 위해 컨텍스트 인식 특징 학습을 활용하기 위해.

제안 방법

• 전체 볼륨 기반의 코어스-투-파인 세분화 프레임워크를 제안하며, 코어스 모델이 장기의 근본적인 위치를 예측하고, 파인 모델이 코어스 출력을 컨텍스트로 사용하여 이를 정밀하게 보정한다.
• 효율적인SegNet 아키텍처는 기본 인코더, 이방향성 3D 컨볼루션(k×k×1 및 1×1×k)을 사용한 슬림 디코더, 그리고 장거리 이방향성 컨텍스트를 포착하기 위한 스트립 풀링을 포함한 컨텍스트 블록으로 구성된다.
• 이방향성 컨볼루션은 표준 3D 컨볼루션을 인트라-슬라이스(k×k×1) 및 인터-슬라이스(1×1×k) 연산으로 분해하여 FLOPs와 메모리 사용량을 감소시킨다.
• 스트립 풀링 모듈은 다양한 공간 차원을 따라 좁고 장거리 풀링 커널(1×N×N, N×1×N, N×N×1)을 적용하여 지역적 및 글로벌 컨텍스트를 효율적으로 통합한다.
• 특징 맵은 연결(concatenation)이 아닌 요소별 덧셈(element-wise addition)을 통해 융합되어 GPU 메모리 소비를 감소시킨다.
• 모델은 z-스코어 강도 정규화, LPI로의 영상 재정렬, 고정된 크기(코어스: 160×160×160, 파인: 192×192×192)로의 공간 재샘플링을 통해 훈련되며, FP16 추론과 동적 메모리 캐싱을 사용한다.

실험 결과

연구 질문

• RQ1 전체 볼륨 기반의 코어스-투-파인 프레임워크는 계산 비용과 메모리 사용량을 줄이며 슬라이딩 윈도우 방법을 능가할 수 있는가?
• RQ2 이방향성 컨볼루션과 스트립 풀링은 최소한의 FLOPs로 복부 CT 볼륨에서 장거리이고 공간적으로 일관된 컨텍스트를 얼마나 효과적으로 포착할 수 있는가?
• RQ3 제안된 방법은 다양한 데이터 소스(다중 센터, 다중 단계, 다중 제조사) 및 병적 사례에 대해 얼마나 일반화되는가?
• RQ4 왜 췌장의 성능이 크게 떨어지며, 이러한 현상에 기여하는 해부학적 또는 영상 요인은 무엇인가?

주요 결과

• FLARE2021 검증 세트에서 평균 DSC는 89.65%이며, 평균 NSD는 77.75%로, 다른 방법들을 능가하였다.
• 건강하거나 경미한 병변 영향을 받은 장기(간, 신장, 비장)의 경우 DSC는 95% 이상, NSD는 80% 이상을 기록하여 강력한 일반화성과 강인성을 보였다.
• 췌장 세분화는 상당히 낮은 성능을 보였으며(DSC: 75.3%, NSD: 60.5%), 주로 높은 해부학적 변동성과 심각한 병변 영향 때문이었다.
• 모델은 평균 9.8초의 추론 시간을 기록했으며, GPU 메모리는 오직 1017 MB를 사용하여 높은 효율성을 입증하였다.
• 심각한 병변이 있는 어려운 케이스(예: 케이스 #25)에서는 췌장의 DSC가 13.5%로 급격히 떨어졌으며, 이는 극단적인 해부학적 왜곡을 다루는 데서의 한계를 드러냈다.
• 5배 교차 검증 결과, 모든 폴드에서 일관된 성능을 보였으며, 간, 신장, 비장의 DSC는 95% 이상, NSD는 87% 이상이었으며, 이는 모델의 안정성을 확인시켰다.