[논문 리뷰] Exploring Vanilla U-Net for Lesion Segmentation from Whole-body FDG-PET/CT Scans

Jin Ye, Haoyu Wang외 9명|arXiv (Cornell University)|2022. 10. 14.

Medical Imaging Techniques and Applications인용 수 10

한 줄 요약

이 논문은 최적화된 입력 형상과 전처리를 적용한 바닐라 U-Net이 전신 FDG-PET/CT 병변 분할에서 최신 기술 수준의 성능을 달성하며, autoPET 2022 챌린지에서 예비 테스트 세트에서 92.81%의 Dice 스코어와 최종 테스트 세트에서 0.62의 스코어를 기록하여, 단순한 구조에도 불구하고 더 깊이 있는 및 트랜스포머 기반 아키텍처를 능가하는 성능을 보였다.

ABSTRACT

Tumor lesion segmentation is one of the most important tasks in medical image analysis. In clinical practice, Fluorodeoxyglucose Positron-Emission Tomography~(FDG-PET) is a widely used technique to identify and quantify metabolically active tumors. However, since FDG-PET scans only provide metabolic information, healthy tissue or benign disease with irregular glucose consumption may be mistaken for cancer. To handle this challenge, PET is commonly combined with Computed Tomography~(CT), with the CT used to obtain the anatomic structure of the patient. The combination of PET-based metabolic and CT-based anatomic information can contribute to better tumor segmentation results. %Computed tomography~(CT) is a popular modality to illustrate the anatomic structure of the patient. The combination of PET and CT is promising to handle this challenge by utilizing metabolic and anatomic information. In this paper, we explore the potential of U-Net for lesion segmentation in whole-body FDG-PET/CT scans from three aspects, including network architecture, data preprocessing, and data augmentation. The experimental results demonstrate that the vanilla U-Net with proper input shape can achieve satisfactory performance. Specifically, our method achieves first place in both preliminary and final leaderboards of the autoPET 2022 challenge. Our code is available at https://github.com/Yejin0111/autoPET2022_Blackbean.

연구 동기 및 목표

• 전신 FDG-PET/CT 스캔에서 3D 병변 분할을 위한 바닐라 U-Net의 효과성을 조사하기 위해.
• 네트워크 아키텍처, 데이터 전처리 및 데이터 증강이 분할 성능에 미치는 영향을 평가하기 위해.
• 정확도와 추론 속도를 균형 있게 유지하기 위한 최적의 입력 형상과 추론 전략을 규명하기 위해.
• 최소한의 표준 U-Net 아키텍처를 사용하여 autoPET 2022 챌린지에서 최상의 성능을 달성하기 위해.

제안 방법

• 모델은 인코더-디코더 아키텍처를 가진 바닐라 U-Net을 사용하며, 각 다운샘플링 레이어에서 특징 채널 수를 32에서 512로 두 배로 증가시킨다.
• 입력은 사전 처리된 PET 및 CT 스캔을 연결하여 구성되며, 원본 등방성 간격 1.500 × 1.0182 × 1.0182 mm를 유지한다.
• 데이터 증강에는 랜덤 밝기, 감마, 플립 및 회전 변환을 포함하며, 각각 특정 확률과 범위가 설정되어 있다.
• 학습은 5겹 교차 검증을 사용하며, 추론 시에 모델 앙상블을 적용하여 정확도를 향상시킨다.
• 추론은 대규모 볼륨 스캔을 효율적으로 처리하기 위해 가변적인 컷 크기와 스텝 크기를 사용하는 슬라이딩 윈도우 전략을 사용한다.
• 최종 모델은 Dice 스코어, 가짜 양성체적, 가짜 음성체적을 종합한 복합 지표를 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 아키텍처 수정 없이 바닐라 U-Net이 전신 FDG-PET/CT 병변 분할에서 경쟁 가능한 성능을 달성할 수 있는가?
• RQ2 입력 형상과 간격이 모델 성능과 추론 효율성에 어떤 영향을 미치는가?
• RQ3 다중 모odal PET/CT 스캔에서 병변 분할을 위한 최적의 데이터 증강 및 전처리 조합은 무엇인가?
• RQ4 슬라이딩 윈도우 추론 전략은 분할 정확도와 속도에 어떤 영향을 미치는가?

주요 결과

• 바닐라 U-Net은 autoPET 2022 예비 테스트 세트에서 92.81%의 Dice 스코어를 기록하여 랭킹 1위를 차지했다.
• 최종 테스트 세트에서 모델은 0.62의 Dice 스코어를 기록하여 최종 랭킹 1위를 확보했다.
• 학습 시 원본 간격과 192×192×192 컷 크기를 사용할 경우 최고의 성능을 보였으며, 검증 세트에서 DSC는 0.75였다.
• 입력 형상의 0.7배 스텝 크기를 가진 슬라이딩 윈도우 전략이 정확도와 추론 속도 사이의 최적의 균형을 이룩했으며, 103건의 케이스에 대해 시간을 2961초로 단축시켰다.
• 바닐라 U-Net은 22.6M 파라미터만을 가졌음에도 불구하고, 58.6M 파라미터를 가진 더 깊은 U-Net과 133.0M 파라미터를 가진 UNETR보다 42% 높은 Dice 스코어를 기록했다.
• 추론 시 모든 입력 크기에서 안정적인 Dice 스코어 0.75를 기록했으며, FPV와 FNV는 입력 크기와 스텝 크기에 가장 민감하게 반응했다.