[논문 리뷰] Label-Free Liver Tumor Segmentation

Qixin Hu, Yixiong Chen외 5명|arXiv (Cornell University)|2023. 03. 27.

Radiomics and Machine Learning in Medical ImagingMedicine인용 수 3

한 줄 요약

이 논문은 임상 지침에 기반한 데이터 효율적인 방법을 통해 합성된 종양을 이용한 라벨 없는 간 종양 세분화 방법을 제안한다. 프로그래머블 파이프라인에 방사선학적 지식을 통합함으로써 형태, 질감, 크기, 강도가 다양하게 변하는 현실적인 종양을 생성하며, 이로 인해 수동 라벨링이 비용이 많이 들고 시간이 오래 걸리는 실제 데이터로 훈련된 모델과 유사한 성능(DSC: 59.81%)을 달성한다. 이는 수동 라벨링 없이도 강력하고 확장 가능한 훈련을 가능하게 한다.

ABSTRACT

We demonstrate that AI models can accurately segment liver tumors without the need for manual annotation by using synthetic tumors in CT scans. Our synthetic tumors have two intriguing advantages: (I) realistic in shape and texture, which even medical professionals can confuse with real tumors; (II) effective for training AI models, which can perform liver tumor segmentation similarly to the model trained on real tumors -- this result is exciting because no existing work, using synthetic tumors only, has thus far reached a similar or even close performance to real tumors. This result also implies that manual efforts for annotating tumors voxel by voxel (which took years to create) can be significantly reduced in the future. Moreover, our synthetic tumors can automatically generate many examples of small (or even tiny) synthetic tumors and have the potential to improve the success rate of detecting small liver tumors, which is critical for detecting the early stages of cancer. In addition to enriching the training data, our synthesizing strategy also enables us to rigorously assess the AI robustness.

연구 동기 및 목표

• CT 영상에서 간 종양의 고비용·고시간 수동 라벨링이 필요 없도록 하는 것.
• 인간의 눈으로 구분하기 어려울 정도로 현실적인 종양을 생성할 수 있는 합성 종양 생성 전략을 개발하는 것.
• 실제 수동 라벨링 데이터로 훈련된 모델과 비교해도 성능이 유사한 모델을 합성 종양으로만 훈련시키는 것.
• 크기, 형태, 질감 등 다양한 종양 특성에 대해 AI의 강건성에 대한 종합적인 평가를 가능하게 하는 것.
• 소형 종양의 조기 탐지 능력을 향상시키기 위해 극소형 종양(반지름 < 5mm)의 대규모 합성 예제를 생성하는 것.

제안 방법

• 종양 생성 파이프라인은 간 종양의 형태학적 임상 지식을 통합하여, 왜곡된 타원체에서 유래한 형태, 확대된 가우시안 노이즈를 통한 질감, 혈관 충돌 방지를 고려한 위치를 포함한다.
• 조정 가능한 초모수를 사용해 크기, 형태, 위치, 강도, 질감의 다섯 가지 차원에서 제어 가능한 종양 생성이 가능하다.
• 세분화나 후처리가 필요 없이 실제 CT 영상에 직접 합성 종양을 생성함으로써 해부학적 맥락을 유지한다.
• GAN이나 디퓨전 모델에 의존하지 않고, 방사선학적 전문 지식에 기반한 수작업으로 설계된 해석 가능한 전략을 사용한다.
• 실제로 경험 많은 방사선의가 참여한 시각적 튜링 테스트를 실시하여 현실성 검증을 수행했으며, 합성 종양이 50% 이상의 비율로 실제 종양으로 오인되었다.
• 특히 반지름이 5mm 미만인 희귀한 소형 종양의 경우 수동 수집이 어려운 점을 고려해 철저한 데이터 증강이 가능하다.

실험 결과

연구 질문

• RQ1 임상 지식을 기반으로 생성된 합성 종양이 숙련된 방사선의가 시각적으로 실제 종양과 구분하기 어려울 정도로 현실성이 충분한가?
• RQ2 합성 종양으로만 훈련된 AI 모델이 실제 수동 라벨링 데이터로 훈련된 모델과 동일한 성능을 달성할 수 있는가?
• RQ3 합성 종양 생성이 소형 또는 극소형 간 종양에 대한 AI 모델의 탐지 민감도를 향상시킬 수 있는가?
• RQ4 합성 종양이 분포 외 조건에서 AI의 강건성 평가를 위한 종합적 기준으로 얼마나 효과적으로 활용될 수 있는가?
• RQ5 합성 종양 생성 파이프라인을 활용해 기존 AI 모델의 고장 모드를 체계적으로 식별하고 개선할 수 있는가?

주요 결과

• 합성 종양은 시각적 튜링 테스트에 통과하여, 방사선의가 실제 종양과 구분하지 못할 정도로 현실성이 확보되었다.
• 합성 종양으로만 훈련된 AI 모델이 실제 간 종양 세분화 작업에서 DSC 59.81%의 성능을 달성했으며, 일부 경우에서 실제 데이터로 훈련된 모델보다 뛰어난 성능을 보였다.
• 합성 데이터로 훈련된 모델의 DSC는 59.81%였고, 실제 LiTS 데이터의 수동 라벨링 데이터로 훈련된 모델의 DSC 57.63%와 비교해도 유사하거나 뛰어난 성능을 보였으며, 수동 라벨링 없이도 동등하거나 슈퍼리어한 성능을 달성했다.
• 반지름이 5mm 미만인 합성 소형 종양의 포함으로 실제 소형 종양의 탐지 민감도가 크게 향상되어 61.8%까지 상승했다.
• 절단 실험 결과, 형태 생성 과정에서 가장자리 흐림 처리와 탄성 변형이 현실성과 성능에 핵심적인 역할을 하며, 이들의 부재는 모델 성능 저하를 초래함을 확인했다.
• 합성 종양 생성기 덕분에 현재 모델이 극단적인 종양 크기나 강도에 가장 민감한 것으로 드러나며, 향후 개선이 필요한 주요 고장 모드를 식별할 수 있었다.