[논문 리뷰] Hepatic vessel segmentation using a reduced filter 3D U-Net in ultrasound imaging

Bart R. Thomson, Jasper Nijkamp외 7명|arXiv (Cornell University)|2019. 07. 28.

Medical Image Segmentation Techniques인용 수 5

한 줄 요약

이 연구는 3D 및 스택드 2D 초음파 볼륨에서 정확한 간 혈관 분할을 위한 감소 필터 3D U-Net을 제안하며, 각각 0.740 및 0.781의 Dice 스코어를 달성하여 제한된 데이터와 과도한 노이즈에 비해 강건한 성능을 보이며, 인터-관찰자 변동성에 가까운 결과를 보여준다.

ABSTRACT

Accurate hepatic vessel segmentation on ultrasound (US) images can be an important tool in the planning and execution of surgery, however proves to be a challenging task due to noise and speckle. Our method comprises a reduced filter 3D U-Net implementation to automatically detect hepatic vasculature in 3D US volumes. A comparison is made between volumes acquired with a 3D probe and stacked 2D US images based on electromagnetic tracking. Experiments are conducted on 67 scans, where 45 are used in training, 12 in validation and 10 in testing. This network architecture yields Dice scores of 0.740 and 0.781 for 3D and stacked 2D volumes respectively, comparing promising to literature and inter-observer performance (Dice = 0.879).

연구 동기 및 목표

• 3D 및 2D 초음파 영상에서 자동 간 혈관 분할을 위한 딥 러닝 기반 방법을 개발하여 수술 중 시술 계획을 지원한다.
• 혈관 경계를 정확히 파악하는 데 어려움을 주는 초음파의 스펙클 노이즈와 낮은 대비 문제를 해결한다.
• 진짜 3D 초음파와 전자기 추적을 사용한 2D 스택 간의 분할 성능를 비교한다.
• 모델의 성능을 인터-관찰자 변동성과 기존 문헌과 비교하여 평가한다.
• 미래의 내시경 수술 응용 분야, 특히 MRI와의 레지istration을 포함한 분할의 가능성을 탐색한다.

제안 방법

• 계산 부담을 줄이고 GPU 메모리 병목 현상을 방지하기 위해 각 레이어의 필터 수를 1/8로 줄인 감소 필터 3D U-Net 아키텍처를 구현한다.
• Adam 옵timizer를 사용한 Dice 손실, L1 정규화, 그리고 회전, 스케일링, 탄성 변형을 포함한 데이터 증강 기법을 사용해 네트워크를 훈련시킨다.
• 입력 볼륨은 3픽셀의 중앙값 필터를 사용해 노이즈를 줄이고, 평균 강도 값을 사용해 정규화한다.
• 4개의 NVIDIA 1080 GTX GPU를 사용해 217 에포크 동안 훈련을 수행하며, 해상도를 40%로 리샘플링한 후 각 볼륨에서 20개의 패치(152×152×96)를 추출한다.
• 3D 및 2D 초음파 볼륨 모두 동일한 네트워크를 사용하며, 공간 일관성을 유지하기 위해 32×32×32 패딩을 적용한다.
• 테스트 세트로 10개의 3D 및 7개의 스택드 2D 스캔을 사용해 Dice 및 IoU 지표로 분할 성능을 평가한다.

실험 결과

연구 질문

• RQ1 감소 필터 3D U-Net은 노이즈가 많은 3D 및 스택드 2D 초음파 볼륨에서 간 혈관 분할에 대해 강건한 성능을 보일 수 있는가?
• RQ2 제안된 방법의 분할 성능는 혈관 경계 파악에서 인터-관찰자 변동성과 비교해 어떻게 되는가?
• RQ3 수집 방법(진짜 3D 대비 전자기 추적 2D 스택)이 분할 정확도에 유의미한 영향을 미치는가?
• RQ4 네트워크에서 학습된 특징들은 다양한 초음파 수집 모odalities 간에 일반화될 수 있는가?
• RQ5 분할 품질은 내시경 수술 시스템, 예를 들어 MRI와의 중심선 기반 레지스트레이션에 사용될 수 있을 정도로 충분한가?

주요 결과

• 감소 필터 3D U-Net은 3D 초음파 볼륨에서 평균 Dice 스코어 0.740 ± 0.02를 달성하여 강력한 분할 성능를 보였다.
• 스택드 2D 초음파 볼륨에서는 Dice 스코어 0.781 ± 0.07를 기록하여 3D 모odalitiy를 초월하며 임상 적용 가능성에 대한 희망을 보였다.
• 인간 전문가 수준의 일관성과 유사한 성능를 보이기 위해 인터-관찰자 변동성은 0.879 ± 0.02로 더 높았으며, 이는 모델 성능가 인식 가능한 인간 전문가 수준에 가까웠음을 시사한다.
• 하나의 주요 문제로 하부 복수정의 혈관이 부족하게 분할되었으며, 특히 볼륨의 가장자리 근처에서 관측되지 않는 혈관 횡단면과 큰 볼륨 기여도로 인해 발생한 것으로 추정된다.
• IoU 스코어는 3D 볼륨에서 0.584 ± 0.02, 2D 볼륨에서 0.645 ± 0.09로 나타나 Dice 결과를 지지하며, 참값과의 양호한 겹침을 나타냈다.
• 3D 및 2D 수집 방법 간에 유의미한 성능 차이가 관찰되지 않아, 모델이 다양한 모달리티 간에 잘 일반화된다는 것을 시사한다.