[논문 리뷰] Generalized Dice Focal Loss trained 3D Residual UNet for Automated Lesion Segmentation in Whole-Body FDG PET/CT Images

Shadab Ahamed, Arman Rahmim|arXiv (Cornell University)|2023. 09. 24.

Medical Imaging Techniques and ApplicationsMedicine인용 수 3

한 줄 요약

이 논문은 전신 FDG-PET/CT 영상에서 자동 병변 분할을 위해 일반화된 디스 코스팅 포칼 손실을 사용해 훈련한 3D 리스크 유닛 모델을 제안한다. AutoPET 2023 데이터셋에서 5겹 교차검증과 앙상블 추론를 수행한 결과, 예비 테스트 세트에서 디스 코efficient(DSC)는 0.5417을 기록했으며, FPV와 FNV는 각각 0.82 ml 및 0.25 ml로 나타나, 다양한 저흡취 병변과 해부학적으로 복잡한 병변에 대해 뛰어난 성능을 보였다.

ABSTRACT

Automated segmentation of cancerous lesions in PET/CT images is a vital initial task for quantitative analysis. However, it is often challenging to train deep learning-based segmentation methods to high degree of accuracy due to the diversity of lesions in terms of their shapes, sizes, and radiotracer uptake levels. These lesions can be found in various parts of the body, often close to healthy organs that also show significant uptake. Consequently, developing a comprehensive PET/CT lesion segmentation model is a demanding endeavor for routine quantitative image analysis. In this work, we train a 3D Residual UNet using Generalized Dice Focal Loss function on the AutoPET challenge 2023 training dataset. We develop our models in a 5-fold cross-validation setting and ensemble the five models via average and weighted-average ensembling. On the preliminary test phase, the average ensemble achieved a Dice similarity coefficient (DSC), false-positive volume (FPV) and false negative volume (FNV) of 0.5417, 0.8261 ml, and 0.2538 ml, respectively, while the weighted-average ensemble achieved 0.5417, 0.8186 ml, and 0.2538 ml, respectively. Our algorithm can be accessed via this link: https://github.com/ahxmeds/autosegnet.

연구 동기 및 목표

• 전신 FDG-PET/CT 스캔에서 병변의 다양성, 저흡취, 그리고 장기 내 생리적 트레이서 흡취로 인해 복잡한 환경에서 정확한 자동 병변 분할을 해결하기 위함이다.
• 작은 비공개 데이터셋으로 훈련된 전통적 임계치 설정 및 딥러닝 모델의 한계를 극복하기 위해 공개된 AutoPET 2023 도전대회 데이터셋을 활용하기 위함이다.
• 일반화된 디스 손실과 포칼 손실을 조합한 새로운 손실 함수를 통해 클래스 불균형과 노이즈가 많은 예측에 대비해 분할 성능를 향상시키기 위함이다.
• 5겹 교차검증 및 모델 앙상블 전략(평균 및 가중 평균)을 통해 모델의 일반화 능력과 성능을 향상시키기 위함이다.

제안 방법

• MONAI 라이브러리를 사용해 PET 및 CT 두 입력 채널과 배경 및 병변 두 출력 채널을 가진 3D 리스크 유닛 모델을 훈련시켰다.
• CT 강도 클리핑, SUV 변환, 신체 컷팅, 2.0 mm 등방성 볼륨으로의 등방성 재샘플링을 포함한 종합적인 전처리 파이프라인을 적용하였다.
• 임의의 공간 컷팅, 3D 이동, 축 방향 회전, 스케일링, 탄성 변형, 감마 보정, 가우시안 노이즈를 포함한 광범위한 데이터 증강 기법을 사용하였다.
• 클래스 가중 일반화된 디스 손실과 포칼 손실을 조합한 일반화된 디스 포칼 손실(GDFL)을 제안하여 쉬운 예시를 억제하고 희귀하거나 저흡취 병변의 분할 성능을 향상시켰다.
• 300 에포크 동안 Adam 최적화를 사용하고, 학습률 스케줄링에 코즈인 애너일링을 적용하였으며, 검증 DSC가 가장 높은 모델을 선택하였다.
• 슬라이딩 윈도우 방식을 사용해 192×192×192 패치와 50% 겹침으로 추론를 수행한 후, 검증 DSC를 가중치로 사용해 평균 및 가중 평균 방법을 통해 모델 앙상블을 수행하였다.

실험 결과

연구 질문

• RQ1 일반화된 디스 포칼 손실을 사용해 훈련한 3D 리스크 유닛 모델은 전신 PET/CT 스캔에서 다양한 종류의 암과 병변 특성에 걸쳐 강력한 병변 분할 성능를 보일 수 있는가?
• RQ2 클래스 불균형과 저흡취 병변이 존재하는 상황에서 일반화된 디스 손실과 포칼 손실의 조합은 표준 디스 손실 대비 분할 성능를 어떻게 향상시키는가?
• RQ3 5겹 교차검증과 모델 앙상블 전략이 AutoPET 2023 테스트 세트에서 일반화 능력과 성능 향상에 얼마나 기여하는가?
• RQ4 데이터 증강 전략은 임상적 PET/CT 데이터에서 해부학적 및 강도 변동에 대한 모델의 강건성을 효과적으로 향상시킬 수 있는가?

주요 결과

• 평균 앙상블은 AutoPET 2023 예비 테스트 세트에서 디스 유사도 계수(DSC) 0.5417, FPV 0.8261 ml, FNV 0.2538 ml를 기록하였다.
• 가중 평균 앙상블은 동일한 DSC(0.5417)를 기록했지만 약간 향상된 FPV(0.8186 ml)와 동일한 FNV(0.2538 ml)를 기록하여 더 나은 가짜 양성 제어 성능를 나타냈다.
• 5겹 교차검증 결과, 평균 DSC는 각 폴드에서 0.61에서 0.64 사이로 나타났으며, 중앙값 DSC는 0.71에서 0.74 사이로 나타나 강력한 폴드 간 일관성을 보였다.
• 저흡취 및 소형 병변에 대해 뛰어난 성능를 보였으며, 낮은 FNV(0.2538 ml)로 인해 간과된 병변을 효과적으로 탐지함을 시사했다.
• 가장 높은 성능를 보인 폴드(폴드 0)는 DSC 0.61 ± 0.26, 중앙값 0.71, FPV 4.16 ± 7.79 ml를 기록하여 폴드 간 가짜 양성 제어에 다소 변동성이 있음을 시사했다.
• 모델는 GitHub를 통해 공개되어 의료 영상 분야에서 재현 가능성과 향후 벤치마킹을 가능하게 하였다.