[논문 리뷰] Extraction of Airways using Graph Neural Networks

Raghavendra Selvan, Thomas Kipf외 4명|arXiv (Cornell University)|2018. 04. 12.

Radiomics and Machine Learning in Medical ImagingMedicine참고 문헌 7인용 수 17

한 줄 요약

이 논문은 3D 흉부 CT 스캔에서 기도 추출을 위해 그래프 신경망(GNNs)을 사용하는 그래프 오토에인코더를 제안한다. 노드 특징과 메시지 전달을 활용하여 연결성을 예측함으로써 과잉완성된 그래프를 정제한다. 단독으로 사용할 경우 GNN의 중심선 정확도는 평균장망원(МFNs)보다 열 劣하나, MFN 예측과 조합될 경우 누락된 분지의 탐지가 향상되어 의료 그래프 정제에서 엔드 투 엔드 학습의 잠재력을 보여준다.

ABSTRACT

We present extraction of tree structures, such as airways, from image data as a graph refinement task. To this end, we propose a graph auto-encoder model that uses an encoder based on graph neural networks (GNNs) to learn embeddings from input node features and a decoder to predict connections between nodes. Performance of the GNN model is compared with mean-field networks in their ability to extract airways from 3D chest CT scans.

연구 동기 및 목표

• 3D CT 스캔에서 기도 수관 추출을 위해 의료 영상 분석에서 그래프 신경망(GNNs)을 사용한 그래프 정제의 활용을 조사한다.
• 과잉완성된 그래프에서 참값 기록 기반 기도 연결성을 복원하는 데 있어 GNN 기반 그래프 오토에인코더와 평균장망원(MFNs)의 성능을 비교한다.
• 제한된 레이블 데이터와 복잡한 해부학적 구조가 존재하는 상황에서 엔드 투 엔드 학습 가능한 GNN 모델의 잠재력을 평가한다.
• GNN이 MFN과 보완되어 이전에 놓친 기도 분지를 탐지할 수 있는지 탐색한다.

제안 방법

• 이 방법은 GNN 기반 인코더를 사용하는 그래프 오토에인코더를 사용하며, 입력 인접 행렬과 노드 특징을 기반으로 메시지 전달을 통해 노드 임베딩을 학습한다.
• 인코더는 학습 가능한 가중치와 비선형 활성화를 갖는 그래프 컬러리션 레이어 형식을 적용하며, 이웃 특징과 정규화된 인접 행렬을 기반으로 노드 표현을 업데이트한다.
• 반경 기저 함수 커널 디코더는 학습된 임베딩을 사용하여 노드 간 간선 확률을 예측하고 예측된 인접 행렬을 생성한다.
• 모델 가중치는 클래스 불균형 문제를 다루기 위해 딱스 손실을 사용하여 훈련하며, 참값과의 겹침을 최적화한다.
• 모델은 전이 학습을 위해 100개의 CT 스캔에서 자동으로 생성된 기준 세그멘테이션을 사용해 사전 훈련한 후, 전문가가 검증한 24개의 훈련 스캔에서 미세조정한다.
• 최종 예측은 중심선 거리 오차를 통해 평가되며, 이는 기준 중심선으로부터의 거짓 양성 및 거짓 음성 거리의 평균이다.

실험 결과

연구 질문

• RQ1 그래프 신경망(GNNs)은 3D CT 스캔에서 기도 수관 추출을 위한 그래프 정제에 효과적으로 기능할 수 있는가?
• RQ2 GNN 기반 그래프 오토에인코더의 성능은 기존의 평균장망원(MFNs)에 비해 참값 기록 기반 기도 연결성 복원에서 어떻게 비교되는가?
• RQ3 GNN과 MFN 예측을 조합하면 단독으로 사용할 경우보다 누락된 기도 분지의 탐지가 향상되는가?
• RQ4 이러한 의료 그래프 정제 작업에서 제한된 레이블 데이터는 GNN의 성능에 어느 정도 영향을 미치는가?
• RQ5 영역 지식이 제한된 상황에서 엔드 투 엔드 학습 가능한 GNN 모델이 수작업으로 만든 모델(MFNs)보다 우수한 성능을 발휘할 수 있는가?

주요 결과

• 단독 GNN 모델은 중심선 거리 오차가 3.402 ± 0.386 mm로 MFN의 1.703 ± 0.186 mm보다 유의미하게 높아 전체 정확도가 열 劣함을 시사한다.
• GNN 모델은 MFN보다 더 높은 거짓 음성 거리(d_FN = 2.890 mm)와 거짓 양성 거리(d_FP = 3.913 mm)를 보이며 기준 중심선과의 정렬이 열 劣함을 시사한다.
• MFN 예측과 조합된 경우(GNN+MFN), 거짓 음성 거리는 2.014 mm로 감소하여 GNN이 이전에 놓친 분지를 탐지했음을 시사한다.
• GNN 모델은 훈련 세트 크가 증가할수록 성능 향상을 보이며, 더 많은 레이블 데이터가 성능 향상에 기여할 수 있음을 시사한다.
• GNN 모델은 쌍별 노드 상호작용을 명시적으로 모델링하지 않아 MFN에 비해 성능이 열 劣한 데 기여했을 수 있다.
• 단독 성능이 열 劣함에도 불구하고 GNN은 누락된 분지를 탐지하는 데 보완적인 가치를 보이며, 앙상블 환경에서의 잠재력을 시사한다.