[논문 리뷰] LGAN: Lung Segmentation in CT Scans Using Generative Adversarial Network

Jiaxing Tan, Longlong Jing외 3명|arXiv (Cornell University)|2019. 01. 11.

Radiomics and Machine Learning in Medical Imaging참고 문헌 25인용 수 7

한 줄 요약

이 논문은 CT 영상에서 종단간(end-to-end) 폐 세분화를 위한 GAN 기반 프레임워크인 LGAN을 제안한다. U-Net 유사 생성기와 지구 이동(EM) 손실을 사용한 판별기로 구성되어 마스크의 현실성과 정확도를 향상시킨다. 이 방법은 LIDC-IDRI 데이터셋에서 평균 3D Dice 스코어 0.985와 중앙값 0.9864를 기록하며, 수동 매개변수 조정이 필요 없는 최신 기술을 초월한다.

ABSTRACT

Lung segmentation in computerized tomography (CT) images is an important procedure in various lung disease diagnosis. Most of the current lung segmentation approaches are performed through a series of procedures with manually empirical parameter adjustments in each step. Pursuing an automatic segmentation method with fewer steps, in this paper, we propose a novel deep learning Generative Adversarial Network (GAN) based lung segmentation schema, which we denote as LGAN. Our proposed schema can be generalized to different kinds of neural networks for lung segmentation in CT images and is evaluated on a dataset containing 220 individual CT scans with two metrics: segmentation quality and shape similarity. Also, we compared our work with current state of the art methods. The results obtained with this study demonstrate that the proposed LGAN schema can be used as a promising tool for automatic lung segmentation due to its simplified procedure as well as its good performance.

연구 동기 및 목표

• 기존 방법에서 요구하는 수동 매개변수 조정을 제거하는 종단간 자동 폐 세분화 방법을 개발하는 것.
• 지구 이동(EM) 손실을 사용한 생성기와 판별기 간의 적대적 훈련을 통해 세분화 정확도와 현실성을 향상시키는 것.
• CT 영상에서의 폐 세분화에 적용 가능한 다양한 신경망 아키텍처에 일반화 가능한 프레임워크를 구축하는 것.
• 3D Dice 스코어 및 형태 유사도와 같은 표준 지표를 사용해 LIDC-IDRI 데이터셋에서 성능을 평가하는 것.
• 소형 또는 경계 근처의 폐 결절에 대한 강건한 세분화를 확보하여 조기 폐암 진단에 기여하는 것.

제안 방법

• 생성기 네트워크는 공간적 맥락을 인코딩하고 고해상도 세분화 마스크를 생성하기 위해 U-Net 아키텍처를 기반으로 한다.
• 판별기는 실제 폐 마스크(참값)와 생성된 마스크를 구분하도록 훈련되며, 특징의 현실성을 향상시키기 위해 지구 이동(EM) 손실을 사용한다.
• 적대적 훈련은 GAN 손실을 최소화하는 방식으로 수행되며, 생성기는 판별기가 생성된 마스크를 실제 마스크로 판단하도록 유도한다.
• 모델은 Adam 최적화를 사용해 엔드 투 엔드로 훈련되며, 패치 정규화와 무작위 가중치 초기화를 적용한다.
• 3D Dice 스코어 및 형태 유사도 지표를 사용해 220개의 CT 스캔에서 프레임워크를 평가한다.
• 다섯 가지의 다른 판별기 아키텍처를 평가하였으며, EM 손실 기반 판별기가 가장 우수한 성능을 보였다.

실험 결과

연구 질문

• RQ1 기존의 매개변수에 민감한 방법과 비교해 GAN 기반 프레임워크가 향상된 폐 세분화 성능을 달성할 수 있는가?
• RQ2 판별기에서 지구 이동(EM) 손실을 통합함으로써 생성된 폐 마스크의 현실성과 정확도가 향상되는가?
• RQ3 제안된 LGAN 스키마가 다양한 신경망 아키텍처에 일반화 가능한가?
• RQ4 경계 근처의 결절과 같은 도전적인 케이스에서 모델의 성능은 어떠한가?
• RQ5 3D Dice 스코어 및 세분화 품질 측면에서 LGAN은 최신 기술에 비해 얼마나 향상되었는가?

주요 결과

• LGAN은 LIDC-IDRI 데이터셋에서 평균 3D Dice 스코어 0.985와 중앙값 0.9864를 기록하며 현재 최고 수준의 방법을 초월했다.
• EM 손실 기반 판별기를 사용한 모델는 기본 GAN 프레임워크보다 유의미하게 뛰어난 성능을 보이며, 제안된 판별기 설계의 효과성을 입증했다.
• 100층의 Tiramisu 네트워크보다도 뛰어난 성능을 달성했지만, 훨씬 얕고 매개변수 효율성이 뛰어나다.
• 경계 근처의 모든 폐 결절도 성공적으로 세분화하여, 결절 탐지와 같은 후속 작업에 대한 강건성을 입증했다.
• LGAN의 종단간 성격 덕분에 기존 방법에서 요구하는 수동 매개변수 조정 및 복수의 전처리/후처리 단계가 필요 없어졌다.
• 생성기의 특징 맵은 폐 경계를 효과적으로 포착한 학습된 필터를 보이며, 강력한 공간적 특징 학습 능력을 나타낸다.