[논문 리뷰] Elastic Boundary Projection for 3D Medical Image Segmentation

Tianwei Ni, Lingxi Xie외 3명|arXiv (Cornell University)|2018. 12. 03.

Advanced Neural Network Applications참고 문헌 33인용 수 6

한 줄 요약

이 논문은 3D 의료 영상 분할을 위해 2D 딥 네트워크를 사용하는 새로운 방법인 탄성 경계 투영(Elastic Boundary Projection, EBP)을 제안한다. EBP는 3D 공간의 기준점 주변에서 탄성 쉘을 반복적으로 변형시켜 장기 경계에 수렴하도록 한다. EBP는 낮은 메모리 사용량으로도 경쟁 가능한 분할 정확도를 달성하며, 패치/슬라이스 융합 문제를 피하고, 다수의 기준점으로 인해 효율적인 데이터 증강이 가능하여 복부 CT 스캔에서 2D 및 3D 기준 모델을 모두 능가한다.

ABSTRACT

We focus on an important yet challenging problem: using a 2D deep network to deal with 3D segmentation for medical image analysis. Existing approaches either applied multi-view planar (2D) networks or directly used volumetric (3D) networks for this purpose, but both of them are not ideal: 2D networks cannot capture 3D contexts effectively, and 3D networks are both memory-consuming and less stable arguably due to the lack of pre-trained models. In this paper, we bridge the gap between 2D and 3D using a novel approach named Elastic Boundary Projection (EBP). The key observation is that, although the object is a 3D volume, what we really need in segmentation is to find its boundary which is a 2D surface. Therefore, we place a number of pivot points in the 3D space, and for each pivot, we determine its distance to the object boundary along a dense set of directions. This creates an elastic shell around each pivot which is initialized as a perfect sphere. We train a 2D deep network to determine whether each ending point falls within the object, and gradually adjust the shell so that it gradually converges to the actual shape of the boundary and thus achieves the goal of segmentation. EBP allows boundary-based segmentation without cutting a 3D volume into slices or patches, which stands out from conventional 2D and 3D approaches. EBP achieves promising accuracy in abdominal organ segmentation. Our code has been open-sourced https://github.com/twni2016/Elastic-Boundary-Projection.

연구 동기 및 목표

• 2D 및 3D 네트워크의 3D 의료 영상 분할에서의 한계, 특히 불안정성과 높은 메모리 사용량을 해결하기 위해.
• 자르기 또는 패치 처리 없이도 안정적이고 사전 훈련된 2D 네트워크를 사용하여 전체 볼륨의 3D 분할을 가능하게 하기 위해.
• 3D 공간 내 다수의 기준점으로부터 유사한 훈련 샘플을 생성함으로써 데이터 효율성을 향상시키기 위해.
• 구면 좌표계에서 물체 경계를 2D 표면으로 모델링하여 정확한 경계 검출을 달성하기 위해.

제안 방법

• EBP는 3D 기준점 주변에 완벽한 구형으로 탄성 쉘을 초기화하며, 여러 방향의 근위 거리로 매개변수화된다.
• 2D 딥 네트워크는 각 근위 사영선의 끝점이 목표 장기 내부에 있는지 외부에 있는지 예측하여 반복적 반경 조정을 안내한다.
• 네트워크 예측에 기반해 반경을 증가 또는 감소시켜 쉘을 반복적으로 진화시키며, 진짜 경계 표면으로 수렴한다.
• 다중 기준점을 3D 볼륨 전역에 배치하여 겹치는 경계 추정치를 생성함으로써 강력한 3D 재구성 가능하게 한다.
• 고립된 기준점에서 유래한 이방성 점들은 커널 밀도 추정(Kernel Density Estimation, KDE)을 사용해 필터링되며, 농도가 높고 일관된 경계 신호만 유지된다.
• 최종 분할 결과는 내부 기준점의 수렴된 쉘들로부터 재구성되며, 이웃 기준점 간의 Dice 유사도 계수(Dice Similarity Coefficient, DSC)를 통한 일관성 검증이 수행된다.

실험 결과

연구 질문

• RQ1 2D 딥 네트워크는 직접적인 3D 훈련이나 2D 슬라이스 처리 없이도 3D 볼륨적 구조를 효과적으로 분할할 수 있는가?
• RQ2 경계 기반 분할 문제를 어떻게 구면 좌표계에서 2D 문제로 재구성하여 2D 네트워크의 장점을 활용할 수 있는가?
• RQ3 다양한 3D 해부학적 형태에서 탄성 쉘 변형이 진짜 장기 경계로 신뢰성 있게 수렴할 수 있는가?
• RQ4 다중 기준점이 낮은 데이터 의료 분할에서 데이터 효율성과 강건성에 얼마나 기여할 수 있는가?
• RQ5 3D 재구성 과정에서 외곽선 예측이 불일치하거나 이방성인 외부 기준점의 예측을 어떻게 필터링할 수 있는가?

주요 결과

• EBP는 복부 CT 스캔에서 2D 및 3D 최신 기법과 비교해 유사한 분할 성능을 달성하며, 뛰어난 일반화 능력을 보였다.
• 내부-내부 기준점 쌍 간 평균 DSC는 73.46%로, 내부-외부 쌍의 51.39%보다 유의미하게 높아 기관 내부에서의 일관성을 확인했다.
• 기준점이 기관 내부에서 외부로 이동할 때 DSC가 급격히 감소하는 현상이 관찰되어 경계 근접도를 신뢰성 있게 감지함을 시사했다.
• 패치 또는 슬라이스 처리 없이도 3D 장기 경계를 성공적으로 재구성하여 국소 예측의 복잡한 융합 문제를 피했다.
• 완전한 수렴이 아닌 각 기준점당 10회 반복만으로도 조밀한 샘플링과 이방성 필터링 덕분에 정확한 재구성이 가능했다.
• 다중 기준점 배치를 통해 단일 레이블이 부여된 볼륨에서 수많은 훈련 케이스를 생성함으로써 효율적인 데이터 증강이 가능해졌다.