[논문 리뷰] Efficient liver segmentation with 3D CNN using computed tomography scans

Khaled Humady, Yasmeen Al-Saeed외 4명|arXiv (Cornell University)|2022. 08. 28.

AI in cancer detection인용 수 4

한 줄 요약

이 논문은 복부 CT 영상에서 자동 간 분할을 위한 효율적인 3D CNN 기반 DeepMedic 프레임워크를 제안한다. 双경로 입력과 다중 대조 CT 자료를 활용하여 정확도를 향상시킨다. 이 방법은 93.14%의 Dice 유사도 스코어를 달성하여 후속 종양 분석을 위한 간 영역 탐지에서 높은 성능을 보여준다.

ABSTRACT

The liver is one of the most critical metabolic organs in vertebrates due to its vital functions in the human body, such as detoxification of the blood from waste products and medications. Liver diseases due to liver tumors are one of the most common mortality reasons around the globe. Hence, detecting liver tumors in the early stages of tumor development is highly required as a critical part of medical treatment. Many imaging modalities can be used as aiding tools to detect liver tumors. Computed tomography (CT) is the most used imaging modality for soft tissue organs such as the liver. This is because it is an invasive modality that can be captured relatively quickly. This paper proposed an efficient automatic liver segmentation framework to detect and segment the liver out of CT abdomen scans using the 3D CNN DeepMedic network model. Segmenting the liver region accurately and then using the segmented liver region as input to tumors segmentation method is adopted by many studies as it reduces the false rates resulted from segmenting abdomen organs as tumors. The proposed 3D CNN DeepMedic model has two pathways of input rather than one pathway, as in the original 3D CNN model. In this paper, the network was supplied with multiple abdomen CT versions, which helped improve the segmentation quality. The proposed model achieved 94.36%, 94.57%, 91.86%, and 93.14% for accuracy, sensitivity, specificity, and Dice similarity score, respectively. The experimental results indicate the applicability of the proposed method.

연구 동기 및 목표

• 복강 CT 영상에서 조기 간 종양 탐지에 기여하기 위해 자동화되고 효율적인 간 분할 프레임워크를 개발하기 위해.
• 먼저 간 영역를 정확하게 묘사함으로써 종양 분할에서의 잘못된 양성률을 줄이기 위해.
• 3D CNN 모델에 다중 CT 영상 변형을 통합하여 분할 성능을 향상시키기 위해.
• 표준 지표인 Dice 스코어, 정확도, 민감도, 특이도를 사용하여 실제 임상 데이터에서 제안된 방법을 평가하기 위해.

제안 방법

• 제안된 방법은 단일 경로 대신 두 개의 입력 경로를 가진 3D CNN 기반 DeepMedic 아키텍처를 사용하여 다양한 CT 영상 대조에서 더 나은 특징 학습을 가능하게 한다.
• 모델은 다양한 대조 단계를 포함한 복강 CT 영상 데이터셋으로 훈련되어 강건성과 일반화 능력을 향상시킨다.
• 입력 데이터는 표준화된 허니스필드 단위(HU) 윈도잉과 정규화를 거친 사전 처리된 CT 볼륨을 포함하여 모델 수렴을 향상시킨다.
• 모델은 공간 해상도와 세밀한 해부학적 세부 사항을 유지하기 위해 스킵 연결이 있는 완전 컨볼루션형 인코더-디코더 구조를 사용한다.
• 클래스 불균형을 균형 잡고 분할 경계 정확도를 향상시키기 위해 이진 교차 엔트로피 손실과 Dice 손실의 조합을 사용하여 손실 함수 최적화를 수행한다.
• 회전, 뒤집기, 강도 저항성 변형 등의 데이터 증강 기법을 적용하여 훈련 데이터의 다양성을 증가시키고 모델 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 복강 CT 영상에서 단일 경로 모델 대비 이중 경로 3D CNN 아키텍처가 간 분할 정확도를 향상시킬 수 있는가?
• RQ2 CT 영상의 다중 대조 단계를 통합할 경우 간 분할 모델의 성능에 어떤 영향을 미치는가?
• RQ3 간 영역 묘사 향상으로 인해 제안된 방법이 후속 종양 분할에서 잘못된 양성률을 어느 정도 감소시키는가?
• RQ4 Dice 스코어, 민감도, 특이도 및 정확도와 같은 표준 지표에서 제안된 모델의 정량적 성능은 어떠한가?

주요 결과

• 제안된 방법은 93.14%의 Dice 유사도 스코어를 달성하여 예측된 영역과 참값 간의 강한 겹침을 나타낸다.
• 민감도는 94.57%에 도달하여 모델이 실제 간 조직의 대부분을 탐지할 수 있음을 보여준다.
• 특이도는 91.86%로 비간 구조의 효과적인 배제를 보여준다.
• 정확도 94.36%는 모델의 분할 예측에서 전반적인 정확성을 확인한다.
• 이중 경로 설계는 특히 저대비 또는 노이즈가 많은 CT 영상 영역에서 특징 표현을 크게 향상시켰다.
• 다중 단계 CT 자료의 사용은 다양한 임상 영상 조건에서 모델의 강건성과 일반화 능력을 향상시켰다.