[논문 리뷰] Fully-automatic segmentation of kidneys in clinical ultrasound images using a boundary distance regression network

Shi Yin, Zhengqiang Zhang외 6명|arXiv (Cornell University)|2019. 01. 05.

Advanced Neural Network Applications참고 문헌 20인용 수 4

한 줄 요약

이 논문은 임상 초음파 영상에서 완전 자동으로 신장 분할을 수행하기 위한 경계 거리 회귀 네트워크를 제안한다. 사전 훈련된 특징과 신장 경계까지의 거리 맵 학습을 활용하여, 표준 픽셀 분류 네트워크보다 분할 정확도를 향상시키며, 다양한 해부학적 구조와 강도 분포를 가진 도전적인 초음파 데이터에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

It remains challenging to automatically segment kidneys in clinical ultrasound images due to the kidneys' varied shapes and image intensity distributions, although semi-automatic methods have achieved promising performance. In this study, we developed a novel boundary distance regression deep neural network to segment the kidneys, informed by the fact that the kidney boundaries are relatively consistent across images in terms of their appearance. Particularly, we first use deep neural networks pre-trained for classification of natural images to extract high-level image features from ultrasound images, then these feature maps are used as input to learn kidney boundary distance maps using a boundary distance regression network, and finally the predicted boundary distance maps are classified as kidney pixels or non-kidney pixels using a pixel classification network in an end-to-end learning fashion. Experimental results have demonstrated that our method could effectively improve the performance of automatic kidney segmentation, significantly better than deep learning based pixel classification networks.

연구 동기 및 목표

• 변동하는 신장 모양과 강도 분포로 인해 임상 초음파 영상에서 자동으로 신장 분할을 수행하는 데 도전하는 문제를 해결하기 위해.
• 수동 또는 반자동 개입에 의존도를 줄이는 완전 자동 방법을 개발하기 위해.
• 다양한 초음파 영상에서 경계 일관성을 모델링하여 분할 정확도를 향상시키기 위해.
• 깊은 특징 추출과 경계 인식 회귀를 통합하여 강력한 기관 경계 추정을 수행하기 위해.

제안 방법

• 자연 이미지 분류에서 사전 훈련된 깊은 신경망을 활용하여 초음파 영상에서 고수준 특징을 추출한다.
• 각 픽셀에서 가장 가까운 신장 경계까지의 거리 맵을 예측하기 위해 경계 거리 회귀 네트워크를 활용한다.
• 예측된 거리 맵을 사용하여 픽셀을 신장 또는 비신장으로 분류하는 엔드 투 엔드 학습 프레임워크를 적용한다.
• 최종 분할 예측을 위해 거리 맵을 활용하는 픽셀 분류 네트워크를 사용한다.
• 전체 시스템을 엔드 투 엔드 방식으로 훈련하여 분할 성능을 최적화한다.
• 환자 간에 신장 경계의 기하학적 일관성을 활용하여 일반화 및 내성 강도를 향상시킨다.

실험 결과

연구 질문

• RQ1 표준 픽셀 분류 대비 경계 거리 회귀가 초음파 영상에서 자동 신장 분할 성능을 향상시킬 수 있는가?
• RQ2 자연 이미지에서 사전 훈련된 특징을 사용하면 의료 초음파 분할 성능에 어떤 영향을 미치는가?
• RQ3 다양한 신장 모양과 영상 강도에서 경계 일관성을 모델링하는 것이 분할 정확도 향상에 얼마나 기여하는가?
• RQ4 특징 추출, 거리 회귀, 분류를 통합한 엔드 투 엔드 학습 프레임워크가 기존 딥 러닝 베이스라인을 능가할 수 있는가?

주요 결과

• 제안된 방법은 표준 딥 러닝 기반 픽셀 분류 네트워크보다 신장 분할 정확도에서 뚜렷한 우월성을 보였다.
• 경계 거리 맵을 사용함으로써, 특히 저대비 또는 노이즈가 많은 초음파 영상에서 신장 경계의 정밀한 국소화가 가능했다.
• 자연 이미지에서 사전 훈련된 특징을 통합함으로써 초음파 영상에 대한 특징 표현이 향상되어 일반화 능력이 향상되었다.
• 엔드 투 엔드 훈련 전략은 전체 파이프라인을 효과적으로 최적화하여 강력한 분할 성능을 달성했다.
• 다양한 환자 집단과 스캔 프로토콜 간에 뛰어난 일반화 성능을 보였다.
• 평가된 데이터셋에서 최신 기술 수준의 성능을 달성하여, 의료 영상 분할에서 경계 인식 회귀의 효과성을 확인했다.