[논문 리뷰] Learnable Hollow Kernels for Anatomical Segmentation.

Elizaveta Lazareva, Oleg Y. Rogov외 3명|arXiv (Cornell University)|2020. 07. 09.

Advanced Neural Network Applications참고 문헌 20인용 수 4

한 줄 요약

이 논문은 방광과 같은 구형 기관의 형태와 구조적 복잡성을 모방하는 학습 가능한 빈 텐서널(하이브리드 커널)을 제안하여 의료 영상에서 해부학적 분할 성능을 향상시킨다. 공간-시간 모델링(예: Bi-LSTM)을 갖춘 U-Net 유사 네트워크에 이러한 적응형 커널을 통합함으로써, 이 방법은 최신 기술 수준(SOTA)의 성능을 달성하여 내벽, 외벽, 종양 부위에 대해 각각 평균 Dice 점수 0.936, 0.736, 0.712를 기록한다.

ABSTRACT

Segmentation of certain hollow organs, such as the bladder, is especially hard to automate due to their complex geometry, vague intensity gradients in the soft tissues, and a tedious manual process of the data annotation routine. Yet, accurate localization of the walls and the cancer regions in the radiologic images of such organs is an essential step in oncology. To address this issue, we propose a new class of hollow kernels that learn to 'mimic' the contours of the segmented organ, effectively replicating its shape and structural complexity. We train a series of the U-Net-like neural networks using the proposed kernels and demonstrate the superiority of the idea in various spatio-temporal convolution scenarios. Specifically, the dilated hollow-kernel architecture outperforms state-of-the-art spatial segmentation models, whereas the addition of temporal blocks with, e.g., Bi-LSTM, establishes a new multi-class baseline for the bladder segmentation challenge. Our spatio-temporal model based on the hollow kernels reaches the mean dice scores of 0.936, 0.736, and 0.712 for the bladder's inner wall, the outer wall, and the tumor regions, respectively. The results pave the way towards other domain-specific deep learning applications where the shape of the segmented object could be used to form a proper convolution kernel for boosting the segmentation outcome.

연구 동기 및 목표

• 복잡한 기하학적 구조와 낮은 강도 기울기를 가지는 기관(예: 방광)의 자동 분할 문제를 해결하기 위해.
• 지루한 수동 애너테이션의 부담을 줄이기 위해 형태 인식 기반의 딥 러닝 접근법을 개발하기 위해.
• 복잡한 기관의 내재된 형태를 컨볼루션 커널 설계에 활용하여 중요한 해부학적 구조—특히 내벽, 외벽 및 종양 부위—의 분할 정확도를 향상시키기 위해.
• 공간-시간 모델링을 활용한 학습 가능한 빈 텐서널을 통해 방광 분할을 위한 새로운 다중 클래스 기준을 수립하기 위해.

제안 방법

• 방광과 같은 목표 기관의 형태와 구조적 복잡성에 동적으로 적응하는 학습 가능한 빈 텐서널의 새로운 클래스를 제안한다.
• 3D 의료 영상에서 공간적 특징 학습을 향상시키기 위해 이러한 빈 텐서널을 U-Net 유사 아키텍처에 통합한다.
• 장거리 상관관계를 유지하면서도 미세한 해부학적 세부 정보를 보존하기 위해, 빈 텐서널을 사용한 확장 컨볼루션을 적용한다.
• 동적 MRI 시퀀스에서 시간적 일관성을 활용하기 위해 네트워크에 시간 모델링 블록(예: Bi-LSTM)을 통합한다.
• 지식 기반 분할 마스크를 사용한 지도 학습을 통해 엔드 투 엔드 네트워크를 훈련시켜 커널 파라미터와 분할 헤드를 동시에 최적화한다.
• 데이터로부터 커널 형태를 학습할 수 있도록 유연한 커널 생성 메커니즘을 도입하여 기관 윤곽을 효과적으로 모방한다.

실험 결과

연구 질문

• RQ1 기관의 형태를 모방하는 학습 가능한 빈 텐서널이 복잡한 빈 기관(예: 방광)의 분할 정확도를 향상시킬 수 있는가?
• RQ2 공간적 분할 작업에서 표준 컨볼루션 레이어와 비교해 복합 빈 텐서널을 적용했을 때의 성능 차이는 어떠한가?
• RQ3 Bi-LSTM 레이어를 통한 시간 모델링을 추가했을 때, 동적 MRI 시퀀스에서 방광 분할 성능 향상 정도는 어느 정도인가?
• RQ4 제안된 빈 텐서널 아키텍처가 내벽, 외벽 및 종양 부위의 다중 클래스 분할에 일반화될 수 있는가?
• RQ5 공간-시간 빈 텐서널 모델은 기존 최신 기술 수준의 방법들에 비해 얼마나 높은 정량적 성능 향상을 달성하는가?

주요 결과

• 확장된 빈 텐서널 아키텍처는 방광 분할에서 최신 기술 수준의 공간 분할 모델보다 뚜렷한 성능 향상을 보였다.
• Bi-LSTM 시간 블록을 통합한 공간-시간 모델은 방광 내벽에 대해 평균 Dice 점수 0.936을 달성했다.
• 외벽에 대해서는 평균 Dice 점수 0.736를 기록하여 더 도전적인 외벽 분할 작업에서도 뛰어난 성능을 입증했다.
• 종양 부위에 대해서는 평균 Dice 점수 0.712를 기록하여 병적 구조의 효과적인 탐지 능력을 보였다.
• 제안된 방법은 공간 및 시간 모델링 시나리오에서 모두 기존 접근법을 초월하는 새로운 다중 클래스 기준을 설정했다.
• 학습 가능한 빈 텐서널은 복잡한 기관의 기하학적 특성을 효과적으로 포착하여 분할 정밀도와 강인성을 향상시켰다.