[논문 리뷰] END-TO-END DISCRIMINATIVE DEEP NETWORK FOR LIVER LESION CLASSIFICATION

Francisco Romero, Andre Diler외 6명|arXiv (Cornell University)|2019. 01. 01.

Radiomics and Machine Learning in Medical Imaging참고 문헌 11인용 수 1

한 줄 요약

이 논문은 전이 학습된 InceptionV3를 사용하고 잔차 연결을 통합한 엔드 투 엔드 딥 러닝 프레임워크를 제안하여 CT 영상에서 간 병변을 낭종 또는 전이성 종양으로 분류한다. ImageNet으로 사전 훈련된 가중치와 완전 연결 층을 활용한 확률적 분류를 통해, 임상 데이터셋(63명의 환자에서 유래한 230개 병변)에서 96% 정확도와 92% F1 점수를 달성하여 최신 기술을 초월한다.

ABSTRACT

Colorectal liver metastasis is one of most aggressive liver malignancies. While the definition of lesion type based on CT images determines the diagnosis and therapeutic strategy, the discrimination between cancerous and non-cancerous lesions are critical and requires highly skilled expertise, experience and time. In the present work we introduce an end-to-end deep learning approach to assist in the discrimination between liver metastases from colorectal cancer and benign cysts in abdominal CT images of the liver. Our approach incorporates the efficient feature extraction of InceptionV3 combined with residual connections and pre-trained weights from ImageNet. The architecture also includes fully connected classification layers to generate a probabilistic output of lesion type. We use an in-house clinical biobank with 230 liver lesions originating from 63 patients. With an accuracy of 0.96 and a F1-score of 0.92, the results obtained with the proposed approach surpasses state of the art methods. Our work provides the basis for incorporating machine learning tools in specialized radiology software to assist physicians in the early detection and treatment of liver lesions.

연구 동기 및 목표

• 복부 CT 영상에서 악성 전이성 간 종양과 양성 낭종을 구분하기 위한 자동화된 엔드 투 엔드 딥 러닝 프레임워크를 개발하는 것.
• 특히 CT에서 낭종과 전이성 종양이 유사한 허운스필드 단위 대비를 보일 경우, 기존 방법을 뛰어넘는 분류 정확도를 향상시키는 것.
• 제한된 의료 영상 데이터셋에서 특징 학습과 일반화 능력을 향상시키기 위해 ImageNet에서 사전 훈련된 특징을 활용하는 것.
• 결장암 전이성 간 종양의 조기 발견 및 진단을 지원하기 위해 방사선의사가 활용할 수 있는 임상적 적용이 가능한 도구를 만드는 것.
• 확정된 병변 유형과 자동 세그멘테이션을 포함한 정제된 바이오뱅크 데이터셋에서 모델을 검증하는 것.

제안 방법

• 모델은 계층적 특징 추출을 위해 InceptionV3를 백본으로 사용하며, 일반화 능력을 향상시키기 위해 ImageNet으로 사전 훈련된 가중치로 초기화한다.
• 훈련 안정성 향상과 더 깊은 네트워크 최적화를 위해 잔차 연결을 통합한다.
• 확률적 출력을 위한 2개의 방향 Softmax 레이어 이전에 활성화 함수로 ReLU를 사용하고 드롭아웃 비율 0.4를 적용한 두 개의 완전 연결 층을 사용한다.
• 학습은 Adam 옵timizer를 사용하고, 학습률 스케줄링에 코즈인 디케이를 적용하며, 검증 정확도 기반 조기 정지 전략을 적용해 엔드 투 엔드로 훈련한다.
• 제한된 데이터셋(230개 병변)에서 과적합을 방지하기 위해 훈련 중에 기울임, 이동, 반전 등의 데이터 증강 기법을 적용한다.
• 병변 영상의 추론 속도 향상과 계산 부담 감소를 위해 사전에 라이브러리-병변 U-Net 기반 모델을 사용해 세그멘테이션을 수행한다.

실험 결과

연구 질문

• RQ1 유사한 허운스필드 단위 대비를 보일 경우, 사전 훈련된 깊은 합성곱 신경망이 복부 CT 영상에서 낭종과 전이성 종양을 효과적으로 구분할 수 있는가?
• RQ2 작은 의료 영상 데이터셋에서 랜덤 초기화보다 ImageNet 사전 훈련된 가중치로 네트워크를 초기화할 경우 성능 향상이 이루어지는가?
• RQ3 제안된 엔드 투 엔드 프레임워크는 전통적인 텍스처 기반 분류기(예: 수작업 특징을 사용한 SVM)와 비교해 간 병변 분류에서 어떻게 성능을 냈는가?
• RQ4 데이터 증강과 배치 정규화는 제한된 임상 데이터셋에서 모델의 강건성을 얼마나 향상시키는가?
• RQ5 모델의 출력은 3D 볼륨에서 색상 코드로 레이블링된 방식과 같이 임상적으로 해석 가능한 방식으로 시각화될 수 있는가?

주요 결과

• 제안된 모델은 96% 정확도와 92% F1 점수를 달성하여, 다음으로 우수한 성능을 보인 방법(사전 훈련된 InceptionResNet-V2)의 89% 정확도와 83% F1 점수를 뛰어넘었다.
• ImageNet 사전 훈련된 가중치를 사용함으로써 무작위 초기화보다 우수한 성능을 달성했으며, 이는 의료 영상에서 전이 학습의 유용성을 입증한다.
• 전이성 종양에 대해 정밀도 100%와 재현율 94%를 기록하여 악성 병변 탐지의 높은 신뢰성을 보였다.
• ROC 곡선 아래 면적(AUC)은 0.97에 도달하여 낭종과 전이성 종양 간 강력한 분류 능력을 보였다.
• GPU에서 병변당 추론 시간은 단 3ms로, 임상 워크플로우에 실시간 통합이 가능했다.
• 혼동 행렬 분석 결과, 오분류가 극히 적었으며, 전이성 종양 중 2개가 낭종으로 잘못 분류되었고, 낭종 중 1개가 전이성 종양으로 잘못 분류되었다.