[논문 리뷰] Hierarchical Convolutional-Deconvolutional Neural Networks for Automatic Liver and Tumor Segmentation

Yading Yuan|arXiv (Cornell University)|2017. 10. 12.

Radiomics and Machine Learning in Medical Imaging참고 문헌 16인용 수 77

한 줄 요약

논문은 LiTS CT 스캔에서 간 및 간 종양 분할을 위한 계층적이고 완전 자동 프레임워크(CDNN 기반)를 제시하며, 거친-정밀 간 위치 탐지, 정밀 간 분할 및 향상된 간 영역을 입력으로 사용하는 종양 분할을 특징으로 합니다.

ABSTRACT

Automatic segmentation of liver and its tumors is an essential step for extracting quantitative imaging biomarkers for accurate tumor detection, diagnosis, prognosis and assessment of tumor response to treatment. MICCAI 2017 Liver Tumor Segmentation Challenge (LiTS) provides a common platform for comparing different automatic algorithms on contrast-enhanced abdominal CT images in tasks including 1) liver segmentation, 2) liver tumor segmentation, and 3) tumor burden estimation. We participate this challenge by developing a hierarchical framework based on deep fully convolutional-deconvolutional neural networks (CDNN). A simple CDNN model is firstly trained to provide a quick but coarse segmentation of the liver on the entire CT volume, then another CDNN is applied to the liver region for fine liver segmentation. At last, the segmented liver region, which is enhanced by histogram equalization, is employed as an additional input to the third CDNN for tumor segmentation. Jaccard distance is used as loss function when training CDNN models to eliminate the need of sample re-weighting. Our framework is trained using the 130 challenge training cases provided by LiTS. The evaluation on the 70 challenge testing cases resulted in a mean Dice Similarity Coefficient (DSC) of 0.963 for liver segmentation, a mean DSC of 0.657 for tumor segmentation, and a root mean square error (RMSE) of 0.017 for tumor burden estimation, which ranked our method in the first, fifth and third place, respectively

연구 동기 및 목표

• 자동적이고 강인한 간 및 종양 분할을 통해 정량화 이미징 바이오마커를 지원하도록 동기를 부여한다.
• 거친 간 위치 탐지를 수행하고 정밀 간 분할 및 종양 분할을 수행하기 위한 CDNN 모델의 계층적 프레임워크를 개발한다.
• 네트워크 아키텍처와 학습 전략에 집중하여 광범위한 전처리 및 후처리 회피한다.
• 제안된 CDNN 기반 파이프라인을 학습하고 검증하기 위해 LiTS 데이터셋을 활용한다.

제안 방법

• 세 단계의 계층적 CDNN 프레임워크를 사용: 먼저 전체 볼륨에서 거친 간 위치 탐지 CDNN(CDNN-I); 그 다음 간 VOI 내에서 정밀 간 분할 CDNN(CDNN-II); 마지막으로 간 영역을 향상된 입력 채널로 추가하는 종양 분할 CDNN(CDNN-II).
• 전체 합성곱-디컨볼루션 네트워크를 두 경로(합성곱 경로와 디컨볼루션 경로) 및 전체 해상도 맵을 복원하기 위한 디컨볼루션 밀도화 접근법으로 활용한다.
• 샘플 불균형을 다루고 재가중 없이 분할 품질을 직접 최적화하기 위해 Jaccard 거리 손실을 사용하고 Adam 최적화를 사용한다.
• 정규화를 위한 두 개의 드롭아웃 층과 두 가지 데이터 증강 전략(기하학적 변환 및 대비 정규화)을 도입하여 강건성을 향상시킨다.
• 2D 구현 제약으로 인해 인접 슬라이스를 추가 입력 채널로 사용하며, CT 데이터를 슬라이스 단위로 처리하고, 종양 입력을 향상시키기 위해 히스토그램 평활화를 적용한다.

실험 결과

연구 질문

• RQ1 계층적이고 완전 자동화된 CDNN 기반 파이프라인이 다양한 LiTS CT 스캔에서 고정밀 간 및 종양 분할을 달성할 수 있는가?
• RQ2 거친 위치 탐색, 정밀 분할, 향상된 간 입력을 갖는 종양 분할을 순차적으로 적용하는 것이 단일 단계 방법과 비교하여 성능을 향상시키는가?
• RQ3 샘플 재가중 없이 Jaccard 거리 손실 함수가 전통적인 교차 엔트로피보다 이 작업에서 이점을 제공하는가?
• RQ4 상접 슬라이스 채널을 사용한 2D 슬라이스 기반 처리의 분할 성능 및 계산 효율성에 미치는 영향은 무엇인가?

주요 결과

• LiTS 테스트 케이스에서 간 분할의 평균 Dice Similarity Coefficient (DSC)는 0.963을 달성했다.
• LiTS 테스트 케이스에서 종양 분할의 평균 DSC는 0.657을 달성했다.
• LiTS 테스트 케이스에서 종양 부하 추정의 RMSE는 0.017을 달성했다.
• 제안된 계층적 CDNN 프레임워크는 LiTS 챌린지 결과에서 간 분할 1위, 종양 분할 5위, 종양 부하 추정 3위를 차지했다.
• 제안된 프레임워크는 최소한의 전처리 및 후처리로 엔드-투-엔드 학습 가능하다.