[논문 리뷰] Lung nodule segmentation via level set machine learning.

Matthew C. Hancock, Jerry F. Magnan|arXiv (Cornell University)|2019. 10. 08.

Radiomics and Machine Learning in Medical Imaging참고 문헌 30인용 수 9

한 줄 요약

이 논문은 CT 영상에서 폐 결절 분할을 위한 기계학습 강화된 레벨셋 방법을 제안한다. 여기서 데이터 기반 속도 함수는 회귀를 통해 학습되어 윤곽의 진화를 이끈다. 이 방법은 LIDC 데이터셋에서 평균 교차율(Intersection over Union)이 0.7185 (±0.1114)를 기록하며 경쟁력 있는 성능을 보이며, 특히 윤곽이 명확한 결절의 경우나 복잡한 경우에 전역-국소 특징 통합으로 인해 향상된 결과를 얻는다.

ABSTRACT

Purpose: Lung nodule segmentation, i.e., the algorithmic delineation of the lung nodule surface, is a fundamental component of computational nodule analysis pipelines. We propose a new method for segmentation that is a machine learning based extension of current approaches, using labeled image examples to improve its accuracy. Approach: We introduce an extension of the standard level set image segmentation method where the velocity function is learned from data via machine learning regression methods, rather than a priori designed. Instead, the method employs a set of features to learn a velocity function that guides the level set evolution from initialization. Results: We apply the method to image volumes of lung nodules from CT scans in the publicly available LIDC dataset, obtaining an average intersection over union score of 0.7185($\pm$0.1114), which is competitive with other methods. We analyze segmentation performance by anatomical and appearance-based categories of the nodules, finding that the method performs better for isolated nodules with well-defined margins. We find that the segmentation performance for nodules in more complex surroundings and having more complex CT appearance is improved with the addition of combined global-local features. Conclusions: The level set machine learning segmentation approach proposed herein is competitive with current methods. It provides accurate lung nodule segmentation results in a variety of anatomical contexts.

연구 동기 및 목표

• 기계학습을 레벨셋 프레임워크에 통합하여 CT 영상에서 폐 결절 분할의 정확도를 향상시키는 것.
• 수작업으로 설계된 레벨셋 방법의 속도 함수를 레이블이 붙은 영상 예제를 기반으로 학습된 데이터 기반의 회귀 모델로 대체하는 것.
• 특히 복잡하고 고립된 결절에 중점을 두고, 해부학적 및 외형 기반 결절 유형 간의 성능을 평가하는 것.
• 어려운 경우에서 전역 및 국소 영상 특징을 통합함으로써 분할 정확도에 미치는 영향을 평가하는 것.
• 다양한 해부학적 맥락과 결절 외형에 일반화가 잘 되는 분할 방법을 개발하는 것.

제안 방법

• 기계학습 회귀 기법을 사용해 학습 데이터로부터 속도 함수를 학습시킴으로써 레벨셋 방법을 확장한다.
• 결절 특성을 표현하고 학습 과정을 이끄는 데 사용하기 위해 국소 및 전역 영상 특징의 집합을 추출한다.
• LIDC 데이터셋의 레이블이 붙은 예제를 사용해 레벨셋 윤곽이 진짜 결절 경계로 향하도록 속도 함수를 학습시킨다.
• 윤곽을 결절 근처에서 초기화하고, 학습된 속도 함수에 따라 진화시켜 최적의 분할을 달성한다.
• 다양한 결절 형태에 대한 일반화를 향상시키기 위해 무늬 및 형태 기반 기술자(Descriptor)를 포함한 특징 공학을 수행한다.
• 영상 특징을 속도 값으로 매핑하는 데 회귀 모델(예: 랜덤 포레스트 또는 SVM)을 사용하여 윤곽 진화를 이끈다.

실험 결과

연구 질문

• RQ1 레벨셋 분할에서 데이터 기반 속도 함수가 기존 수작업으로 설계된 함수보다 폐 결절 분할에서 더 나은 성능을 내는가?
• RQ2 다른 해부학적 위치와 윤곽 특성의 결절에서 이 방법의 성능는 어떻게 변화하는가?
• RQ3 전역 및 국소 영상 특징을 통합함으로써 복잡한 결절 케이스에서 분할 정확도는 어느 정도 향상되는가?
• RQ4 이 방법은 결절의 외형 변화와 주변 조직의 복잡성에 대해 얼마나 강인한가?
• RQ5 다양한 종류의 결절에 대해 이 방법의 분할 정확도는 교차율(IoU) 기준으로 얼마인가?

주요 결과

• 이 방법은 LIDC 데이터셋에서 평균 교차율 스코어 0.7185 (±0.1114)를 기록하며, 기존 방법들과 비교해 경쟁력 있는 성능을 보였다.
• 윤곽이 명확한 고립된 결절의 경우 성능이 높아, 더 단순한 해부학적 맥락에서 더 나은 일반화 능력을 보였다.
• 복잡한 환경과 더 복잡한 CT 영상 특성을 가진 경우, 전역 및 국소 특징을 학습 과정에 통합함으로써 성능 향상이 뚜렷하게 이루어졌다.
• 기계학습을 통해 속도 함수를 학습시킴으로써 고정된 수작업으로 설계된 함수보다 더 적응적인 윤곽 진화가 가능해져 결절 경계를 더 잘 포착할 수 있었다.
• 특징 공학에 국소 및 전역 기술자를 포함함으로써, 다양한 해부학적 및 외형 기반의 결절 유형에 대해 강인한 성능을 보였다.
• 결과적으로 데이터 기반 속도 함수가 특히 과도한 임상 시나리오에서 분할 정확도를 향상시킨다는 것이 확인되었다.