[논문 리뷰] Fully Automated Pancreas Segmentation with Two-stage 3D Convolutional Neural Networks

Ningning Zhao, Nuo Tong외 2명|arXiv (Cornell University)|2019. 06. 05.

Advanced Neural Network Applications참고 문헌 7인용 수 10

한 줄 요약

이 논문은 CT 영상에서 전립선의 완전 자동 분할을 위한 이단계 3D U-Net 프레임워크를 제안한다: 먼저, 저해상도 볼륨에서 군집된 분할을 수행하여 후보 영역을 생성하고, 그 후에 원본 해상도에서 이들 영역에 대해 정밀한 분할을 수행한다. 이 방법은 NIH 데이터셋에서 평균 DSC(85.99%)를 달성하여 최신 2D 및 3D 방법들을 능가한다.

ABSTRACT

Due to the fact that pancreas is an abdominal organ with very large variations in shape and size, automatic and accurate pancreas segmentation can be challenging for medical image analysis. In this work, we proposed a fully automated two stage framework for pancreas segmentation based on convolutional neural networks (CNN). In the first stage, a U-Net is trained for the down-sampled 3D volume segmentation. Then a candidate region covering the pancreas is extracted from the estimated labels. Motivated by the superior performance reported by renowned region based CNN, in the second stage, another 3D U-Net is trained on the candidate region generated in the first stage. We evaluated the performance of the proposed method on the NIH computed tomography (CT) dataset, and verified its superiority over other state-of-the-art 2D and 3D approaches for pancreas segmentation in terms of dice-sorensen coefficient (DSC) accuracy in testing. The mean DSC of the proposed method is 85.99%.

연구 동기 및 목표

• 전립선의 형태, 크기, 둘레 조직 대비에서 높은 해부학적 변동성으로 인해 발생하는 분할 과제를 해결하기 위해.
• 3D 공간적 맥락을 활용하면서도 이단계 접근을 통해 계산 비용을 줄임으로써 분할 정확도를 향상시키기 위해.
• 수동적인 관심 영역(ROI) 선택을 피하고 완전 자동화된 방법을 개발하여 임상적 적용의 확장성을 확보하기 위해.
• NIH CT 데이터셋에서 기존 2D 및 3D 딥 러닝 방법들보다 뛰어난 성능을 입증하기 위해.

제안 방법

• 3D U-Net은 저해상도 3D CT 볼륨(R=4의 감소 요소)에서 훈련되어 군집된 분할 마스크를 생성한다.
• 군집 마스크에서 정규화된 경계 상자(ROI)가 원본 해상도 공간에서 후보 영역을 정의하기 위해 추출된다.
• 원본 볼륨에서 잘라낸 ROI에 대해 두 번째 3D U-Net을 훈련하여 고해상도 보정을 수행한다.
• 훈련 중에는 지도 레이블 경계 상자를 10픽셀의 여유 공간을 포함하여 확장하여 커버리지가 보장되도록 ROIs를 생성한다.
• 추론 중에는 첫 번째 단계 예측에서 두 개의 후보 ROI를 생성하여 정확도를 높이고, 최종 분할 결과는 다수결 투표 방식으로 결정한다.
• 두 번째 단계 훈련에 중심 손실(Center loss)을 적용하여 수렴 속도를 향상시키지만, 이로 인해 고립된 오진 양성 결과가 발생할 수 있다.

실험 결과

연구 질문

• RQ1 이단계 3D CNN 프레임워크는 군집된 국소화와 정밀한 보정을 조합함으로써 전립선 분할 정확도를 향상시킬 수 있는가?
• RQ2 첫 번째 단계에서의 저해상도 처리가 ROI 생성 및 이어지는 분할 성능에 어떤 영향을 미치는가?
• RQ3 훈련 전용 ROI 생성 방식과 비교해 볼 때, 첫 번째 단계 출력에서 다수의 후보 ROI를 사용하는 테스트 전략이 얼마나 더 높은 정확도를 확보하는가?
• RQ4 두 번째 단계 네트워크에서 중심 손실을 사용하면 정확도를 떨어뜨리지 않고 수렴 속도를 향상시킬 수 있는가?
• RQ5 제안된 방법은 DSC 및 국소화 정확도 측면에서 기존 최신 2D 및 3D 방법들과 비교해 어떻게 정량적으로 우월한가?

주요 결과

• 제안된 이단계 방법은 NIH CT 데이터셋에서 평균 DSC(85.99%)를 달성하여 이전 최고 수준의 방법들을 뛰어넘었다.
• 두 번째 단계에서 첫 번째 단계 대비 평균 DSC가 최소 3% 향상되어 후보 영역에서의 보정이 효과적임을 입증했다.
• 모든 폴드에서 경계 상자 재현율이 97% 이상을 기록했고, 대부분의 환자에서 평균 IoU 값이 60% 이상이었으며, 이는 신뢰할 수 있는 ROI 국소화를 의미한다.
• IoU가 낮았던 한 명의 환자(40.51%)도 첫 번째 단계의 DSC(39.98%)에서 두 번째 단계로 57.20%로 향상되었으며, 이는 방법의 강건성을 확인한다.
• Attention-UNet(평균 DSC 83.10%) 및 ResDSN C2F(평균 DSC 84.59%)와 같은 기존 방법들을 모두 능가하여 최고의 평균 DSC(85.99%)를 달성했다.
• 중심 손실로 인해 고립된 오진 양성 결과가 발생했지만, 전체 분할 정확도는 높은 수준을 유지하여 수렴 속도 향상과 정밀도 사이의 유리한 트레이드오���을 보여주었다.