[논문 리뷰] Kidney tumor segmentation using an ensembling multi-stage deep learning approach. A contribution to the KiTS19 challenge

Gianmarco Santini, Noémie Moreau외 1명|arXiv (Cornell University)|2019. 09. 02.

Renal cell carcinoma treatment참고 문헌 30인용 수 30

한 줄 요약

이 논문은 KiTS19 챌린지 테스트 세트에서 신장에 대해 평균 Dice 점수 0.96, 종양에 대해 0.74를 기록하며, 앙상블된 잔차 U-Net 모델을 사용한 다단계 2.5차원 딥러닝 접근법을 제안하여, 임상적으로 유의미한 분할 작업에서 강력한 성능과 견고한 일반화 능력을 보여줍니다.

ABSTRACT

Precise characterization of the kidney and kidney tumor characteristics is of outmost importance in the context of kidney cancer treatment, especially for nephron sparing surgery which requires a precise localization of the tissues to be removed. The need for accurate and automatic delineation tools is at the origin of the KiTS19 challenge. It aims at accelerating the research and development in this field to aid prognosis and treatment planning by providing a characterized dataset of 300 CT scans to be segmented. To address the challenge, we proposed an automatic, multi-stage, 2.5D deep learning-based segmentation approach based on Residual UNet framework. An ensembling operation is added at the end to combine prediction results from previous stages reducing the variance between single models. Our neural network segmentation algorithm reaches a mean Dice score of 0.96 and 0.74 for kidney and kidney tumors, respectively on 90 unseen test cases. The results obtained are promising and could be improved by incorporating prior knowledge about the benign cysts that regularly lower the tumor segmentation results.

연구 동기 및 목표

• 대조 강화 CT 영상에서 건강한 신장과 신장 종양 조직을 자동으로, 정확하고 견고하게 분할할 수 있는 방법을 개발하는 것.
• 특히 양성 낭종과 종양을 구분하기 어려운 복잡하고 이질적인 신장 해부학적 환경에서 종양 분할의 과제를 해결하는 것.
• 다단계 딥러닝 파이프라인과 모델 앙상블를 통해 분산을 줄이고 일반화 능력을 향상시켜 분할 성능을 향상시키는 것.
• 300개의 CT 스캔으로 구성된 대규모 정규화된 데이터셋을 기반으로 딥러닝을 활용해 신뢰할 수 있는 완전 자동 분할 솔루션을 제공함으로써 KiTS19 챌린지에 기여하는 것.

제안 방법

• 두 단계로 구성된 딥러닝 파이프라인을 사용: 먼저 신장을 분할하고, 그 다음에 종양 조직 포함하도록 분할을 정밀 조정.
• 2.5차원 컨볼루션 신경망을 활용하며, 각 3차원 볼륨이 3차원 구조를 유지하면서도 맥락 정보를 보존하는 2차원 축 방향 슬라이스 시퀀스로 처리됨.
• 다양한 초기화 방법, 학습률, 손실 가중치 설정을 사용해 여러 개의 잔차 U-Net 및 ResNet 아키텍처를 독립적으로 학습시켜 과적합을 줄이고 견고성을 향상시킴.
• 특정한 데이터 증강 기법(축 방향 회전, 수평 반전, 중심 자르기 및 줌)을 종양이 존재하는 케이스(그룹 KT)에만 선택적으로 적용하여 훈련 다양성을 증가시킴.
• 다양하게 학습된 여러 모델의 예측 결과를 융합하는 앙상블 전략을 통해 분산을 줄이고 최종 분할 정확도를 향상시킴.
• 사전처리로 3 mm 슬라이스 두께로 재샘플링하고, Hounsfield 단위(HU) 창 조정을 -30에서 300 HU로 설정하며, 강도의 이질성을 줄이기 위해 표준화를 수행함.

실험 결과

연구 질문

• RQ1 단일 단계 방법과 비교해 복부 CT 영상에서 다단계 딥러닝 접근법이 신장 및 종양 분할 정확도를 향상시킬 수 있는가?
• RQ2 다양한 아키텍처와 학습 설정을 기반으로 한 모델 앙상블은 분할 성능와 견고성에 어떤 영향을 미치는가?
• RQ3 2.5차원 네트워크는 계산적으로 타당한 범위에서 볼륨적 맥락을 얼마나 잘 포착할 수 있는가?
• RQ4 특정 대상 데이터 증강 전략은 희귀하거나 다양성이 큰 종양 케이스의 분할에 어떤 영향을 미치는가?
• RQ5 양성 신장 낭종은 종양 분할 성능에 어떤 영향을 미치며, 악성 조직과의 구분 능력을 향상시킬 수 있는가?

주요 결과

• 제안된 다단계 2.5D 딥러닝 모델은 KiTS19 챌린지의 90개의 새로운 테스트 케이스에서 신장 분할에 대해 평균 Dice 점수 0.96, 종양 분할에 대해 0.74를 기록함.
• 다양한 모델을 앙상블함으로써 개별 모델 대비 성능이 약간 향상되었으며, 검증 세트에서 앙상블 모델은 신장에 대해 0.98 ± 0.01, 종양에 대해 0.73 ± 0.25의 점수를 기록함.
• 다양한 학습 설정(다른 가중치 초기화 및 손실 가중치 스케줄)을 사용함으로써 일반화 오차가 감소하고 견고성이 향상됨.
• 종양이 존재하는 케이스에만 적용된 데이터 증강 전략이 과적합을 완화하고 다양한 종양 형태에 대한 일반화 능력을 향상시킴.
• 강력한 성능에도 불구하고, 양성 낭종에 대한 잘못된 양성 반응과 미세한 종양에 대한 잘못된 음성 반응이 여전히 과제로 남아 있어, 낭종과 악성 병변 간의 구분 능력을 향상시킬 필요성이 있음.
• 메모리 제약으로 인해 Tiramisu나 DeepLab과 같은 더 복잡한 아키텍처를 사용할 수 없었으며, 2D보다는 2.5D 입력이 볼륨 맥락을 더 잘 포착할 수 있었음에도 불구하고.