[논문 리뷰] Liver Lesion Segmentation with slice-wise 2D Tiramisu and Tversky loss function

Karsten Roth, Tomasz Konopczyński외 1명|arXiv (Cornell University)|2019. 05. 09.

Advanced Neural Network Applications참고 문헌 13인용 수 11

한 줄 요약

이 논문은 복부 CT 영상에서 간 병변을 완전 자동으로 세분화하기 위한 이단계, 슬라이스 단위 2D U-Net 및 Tiramisu 기반 딥러닝 파이프라인을 제안한다. 이중 U-Net을 이용한 간 세분화와 Tversky 손실 함수를 사용해 훈련한 Tiramisu 네트워크를 조합함으로써, LiTS 2017 챌린지에서 최신 기술 수준의 성능을 달성하였으며, Dice 점수는 0.57(20명 중 14위)이고 표면 거리 오차는 낮아, 기준 손실 함수 대비 민감도와 내성에 뛰어난 성능을 보였다.

ABSTRACT

At present, lesion segmentation is still performed manually (or semi-automatically) by medical experts. To facilitate this process, we contribute a fully-automatic lesion segmentation pipeline. This work proposes a method as a part of the LiTS (Liver Tumor Segmentation Challenge) competition for ISBI 17 and MICCAI 17 comparing methods for automatics egmentation of liver lesions in CT scans. By utilizing cascaded, densely connected 2D U-Nets and a Tversky-coefficient based loss function, our framework achieves very good shape extractions with high detection sensitivity, with competitive scores at time of publication. In addition, adjusting hyperparameters in our Tversky-loss allows to tune the network towards higher sensitivity or robustness.

연구 동기 및 목표

• 방사선의사가 수동 또는 반자동 세분화에 의존하는 것을 줄이기 위해 복부 CT 영상에서 간 병변 세분화를 위한 완전 자동형 엔드 투 엔드 파이프라인 개발.
• 표준 Dice 기반 손실 함수와 비교하여 Tversky 손실 함수를 적용한 계층적 U-Net 및 Tiramisu 아키텍처의 성능 평가.
• 손실 함수 튜닝 및 네트워크 아키텍처 설계를 통해 병변 세분화 민감도 향상 및 가짜 양성 결과 감소.
• 데이터 전처리, 정규화 및 공간 정렬이 세분화 성능에 미치는 영향 평가.
• 3D 또는 후처리 향상 기법 없이 2D 슬라이스 단위 접근의 가능성을 탐색하며, 네트워크 아키텍처 및 손실 함수 설계에 중점을 둔다.

제안 방법

• 계층적 파이프라인을 사용함: 첫 번째로, 50 에포크 동안 Adam 최적화와 이진 교차 엔트로피 손실을 사용해 2D 슬라이스 단위 간 세분화를 수행하는 U-Net.
• 두 번째로, 간 마스크를 공간 사전 지식으로 사용해 병변 세분화에 대해 Tiramisu 네트워크를 훈련함으로써 예측을 간 영역으로 제한.
• Tiramisu 네트워크는 성장률 12, ReLU 활성화 함수, 배치 정규화, L2 정규화를 사용하며, 총 180만 개의 파라미터를 가짐.
• Tversky 손실 함수를 적용하며, α=0.3(거짓 음성 페널티) 및 β=0.7(거짓 양성 페널티)로 설정하여 가짜 양성 결과 감소에 기여.
• 훈련에는 GTX 1070 GPU에서 배치 크기 5를 사용하며, 작은 회전, 이동 및 확대를 포함한 데이터 증강 기법 적용.
• 최종 추론 시간은 약 7초/볼륨이며, 간 중심에 224×224 크기의 쪼개진 영역을 사용해 axial 슬라이스에서 세분화 수행.

실험 결과

연구 질문

• RQ1 3D 컨볼루션 또는 복잡한 후처리 없이, 이단계 2D U-Net 및 Tiramisu 파이프라인은 경쟁력 있는 병변 세분화 성능을 달성할 수 있는가?
• RQ2 Tversky 손실 함수는 표준 Dice 손실 함수에 비해 간 병변 세분화에서 거짓 양성 예측을 얼마나 줄이는가?
• RQ3 간 마스크를 공간 사전 지식으로 사용할 경우 병변 세분화 정확도 향상 및 거짓 양성 결과 감소에 어느 정도 기여하는가?
• RQ4 Tversky 손실 함수를 사용해 Tiramisu 네트워크를 처음부터 훈련시킬 경우, 전이 학습 없이도 높은 민감도와 형태 정확도를 달성할 수 있는가?
• RQ5 U-Net을 간 세분화에, Tiramisu를 병변 세분화에 사용하는 조합이 단일 네트워크 또는 기준 손실 기반 접근 방식보다 우수한 성능을 내는가?

주요 결과

• Tiramisu 기반 파이프라인은 테스트 세트에서 Dice 점수 0.57(20명 중 14위)를 기록하여, 기준 U-Net 단독 접근 방식(0.42 Dice)을 크게 앞서며 성능을 뛰어올랐다.
• 이 방법은 Volume-Overlap Error(VOE) 0.34와 평균 대칭 표면 거리(ASSD) 0.95를 기록하여, 형태 및 경계 정확도 측면에서 뛰어난 성능을 보였다.
• Tversky 손실 함수는 표준 Dice 손실 대비 가짜 양성 결과를 감소시켰으며, Tversky로 훈련한 모델은 0.57 Dice 점수를 기록한 반면, Dice로 훈련한 Tiramisu는 0.45 점수를 기록했다.
• Root-Mean-Square Deviation(RMSD)는 1.60, Maximum Symmetric Surface Distance(MSSD)는 6.81을 기록하여, 공간 일관성이 뛰어나다는 것을 나타냈다.
• GTX 1070 GPU에서 볼륨당 약 7초의 추론 시간을 기록하여 실시간 적용 가능성도 입증하였다.
• 개선된 성능에도 불구하고, 간 세분화 네트워크는 큰 병변이나 경계 병변을 놓치는 경우가 있었으며, 특히 병변 헤드 영역에서 가짜 양성 결과가 여전히 도전 과제로 남아 있었다.