[논문 리뷰] False Positive Reduction in Lung Computed Tomography Images using Convolutional Neural Networks

Görkem Polat, Uğur Halıcı외 1명|arXiv (Cornell University)|2018. 11. 04.

Lung Cancer Diagnosis and Treatment참고 문헌 10인용 수 4

한 줄 요약

이 논문은 3D 컨volution 신경망(CNN) 기반 프레임워크를 제안하여 폐 컴퓨터단층촬영(CT) 스크리닝에서 가짜 양성 반응을 줄이고자 한다. 3D 데이터를 활용하여 공간 정보를 유지하고 종양 분류 성능을 향상시킨다. 이 방법은 LUNA16 챌린지에서 예정된 일곱 개의 가짜 양성 비율에서 평균 민감도 0.786을 달성하여, 단순한 3D CNN 아키텍처조차도 기존 방법보다 가짜 양성 반응 감소에서 뛰어난 성능을 보임을 보여준다.

ABSTRACT

Recent studies have shown that lung cancer screening using annual low-dose computed tomography (CT) reduces lung cancer mortality by 20% compared to traditional chest radiography. Therefore, CT lung screening has started to be used widely all across the world. However, analyzing these images is a serious burden for radiologists. In this study, we propose a novel and simple framework that analyzes CT lung screenings using convolutional neural networks (CNNs) and reduces false positives. Our framework shows that even non-complex architectures are very powerful to classify 3D nodule data when compared to traditional methods. We also use different fusions in order to show their power and effect on the overall score. 3D CNNs are preferred over 2D CNNs because data are in 3D, and 2D convolutional operations may result in information loss. Mini-batch is used in order to overcome class-imbalance. Proposed framework has been validated according to the LUNA16 challenge evaluation and got score of 0.786, which is the average sensitivity values at seven predefined false positive (FP) points.

연구 동기 및 목표

• 폐 CT 스크리닝에서 높은 가짜 양성 비율 문제를 해결하여 방사선 전문의의 부담을 줄이고 진단 신뢰도를 높이고자 한다.
• 3D 컨볼루션 신경망을 활용해 3D 폐 종양을 효과적으로 분류하여 가짜 양성 반응을 최소화하는 딥러닝 프레임워크를 개발하고자 한다.
• 다양한 특징 융합 전략의 성능 향상 효과를 평가하고자 한다.
• 기존 방법과의 공정한 비교를 위해 표준화된 LUNA16 벤치마크 데이터셋을 활용해 프레임워크의 성능을 검증하고자 한다.

제안 방법

• 프레임워크는 부피형 CT 데이터를 처리하기 위해 3D 컨volution 신경망을 활용하여 2D 접근 방식에서 잃어버리는 공간적 맥락을 유지한다.
• 유의미하게 양성 종양 수가 악성 종양보다 많기 때문에, 클래스 불균형 문제를 완화하기 위해 미니배치 학습을 사용한다.
• 다양한 네트워크 브랜치에서 유도된 특징을 융합하기 위한 여러 전략을 적용하여 분류 능력을 향상시킨다.
• 모델은 LUNA16 데이터셋에서 학습 및 평가되며, 예정된 가짜 양성 비율에서의 민감도를 포함한 표준 평가 지표를 사용한다.
• 아키텍처는 단순하면서도 효과적이도록 설계되었으며, 부피형 데이터에 대해 2D보다 3D 컨볼루션의 유용성을 중점으로 한다.
• 공식 LUNA16 챌린지 프로토콜을 사용하여 평가가 수행되었으며, 일곱 개의 가짜 양성 지점에서의 평균 민감도를 측정하였다.

실험 결과

연구 질문

• RQ1 단순한 3D CNN 아키텍처가 기존 방법보다 폐 CT 종양 분류에서 더 나은 가짜 양성 반응 감소 성능을 달성할 수 있는가?
• RQ2 부피형 CT 스캔에서 진단 정보를 보존하는 데 있어 3D 컨볼루션은 2D 컨볼루션보다 얼마나 우수한가?
• RQ3 다양한 특징 융합 전략이 가짜 양성 반응 감소 프레임워크의 전체 성능에 어떤 영향을 미치는가?
• RQ4 미니배치 학습 방식이 폐 종양 분류에서 클래스 불균형 문제를 얼마나 효과적으로 해결할 수 있는가?
• RQ5 제안된 프레임워크는 최신 기술과 비교해 표준화된 LUNA16 벤치마크에서 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 3D CNN 프레임워크는 LUNA16 챌린지에서 일곱 개의 예정된 가짜 양성 지점에서 평균 민감도 0.786을 달성하여 가짜 양성 반응 감소 측면에서 뛰어난 성능을 보였다.
• 3D 컨볼루션의 사용은 2D 연산 대비 공간 정보를 더 잘 유지하여 정보 손실을 줄이고 분류 정확도를 향상시켰다.
• 복잡하지 않은 3D CNN 아키텍처조차도 기존 방법보다 양성과 악성 종양을 구분하는 데서 뛰어난 성능을 보였다.
• 특징 융합 전략은 전반적인 성능 향상에 기여하여 모델의 강건성 향상에 기여함을 입증했다.
• 미니배치 학습 방식은 클래스 불균형 문제를 효과적으로 완화하여 희귀한 악성 종양에 대한 모델 일반화 능력을 향상시켰다.
• 프레임워크는 LUNA16 벤치마크에서 강력한 일반화 능력을 보였으며, 실제 임상 적용 가능성의 잠재력을 확인했다.