[논문 리뷰] Lung Nodules Detection and Segmentation Using 3D Mask-RCNN

Evi Kopelowitz, Guy Engelhard|arXiv (Cornell University)|2019. 07. 17.

Lung Cancer Diagnosis and Treatment참고 문헌 13인용 수 38

한 줄 요약

본 논문은 MaskRCNN을 3D CT 스캔에 적응시켜 폐 결절을 엔드-투-엔드로 검출 및 분할하고, LUNA16에서 경쟁력 있는 검출 및 분할 성능을 달성한다.

ABSTRACT

Accurate assessment of Lung nodules is a time consuming and error prone ingredient of the radiologist interpretation work. Automating 3D volume detection and segmentation can improve workflow as well as patient care. Previous works have focused either on detecting lung nodules from a full CT scan or on segmenting them from a small ROI. We adapt the state of the art architecture for 2D object detection and segmentation, MaskRCNN, to handle 3D images and employ it to detect and segment lung nodules from CT scans. We report on competitive results for the lung nodule detection on LUNA16 data set. The added value of our method is that in addition to lung nodule detection, our framework produces 3D segmentations of the detected nodules.

연구 동기 및 목표

• 방사선과 의사의 업무 흐름과 측정 정확도를 개선하기 위해 폐 결절의 자동화된 엔드-투-엔드 3D 검출 및 분할을 촉진한다.
• MaskRCNN을 3D 의료 영상과 작은 물체 검출로 확장한다.
• 탐지와 함께 3D 결절 분할을 제공하는 모델의 능력을 시연한다.
• LUNA16에서 기존 방법 및 방사선 의사 벤치마크와 비교한 검출 성능을 평가한다.
• 예측된 부피와 실제 부피 간의 상관관계와 분할 정확도를 평가한다.

제안 방법

• 128^3 패치 입력과 0.5 mm 보셀 간격을 갖춘 3D CT 데이터에 2D MaskRCNN 아키텍처를 적응시킨다.
• 해상도 보존을 위해 atrous 컨볼루션을 사용하는 3D Inception-ResNet-v2 백본을 사용한다.
• 3D RPN 및 ROI Align을 활용해 결절을 제안하고 다듬으며, 3D 분할용 MASK 헤드를 둔다.
• 분류에는 focal loss를, MASK 분할 헤드에는 IOU loss로 엔드투엔드로 훈련한다.
• 과적합 완화를 위해 10배 플 교차검증과 대대적 데이터 확대를 수행한다.
• 오버랩 윈도우 추론과 NMS 및 폐 마스크 필터링을 적용해 거짓 양성을 줄인다.

실험 결과

연구 질문

• RQ1 단일 엔드-투-엔드 3D 네트워크가 CT 스캔에서 폐 결절을 효과적으로 검출하고 분할할 수 있는가?
• RQ2 LUNA16에서 3DMaskRCNN이 달성한 검출 지표(예: CPM, 민감도, FP 비율)는 무엇인가?
• RQ3 3DMaskRCNN의 분할 성능(DSC)은 방사선 의사 및 다른 방법과 어떻게 비교되는가?
• RQ4 예측된 결절 부피와 실제 부피 간에 강한 상관관계가 있는가?
• RQ5 후처리 단계(FP 감소, 폐 마스킹)가 성능에 미치는 영향은 무엇인가?

주요 결과

• 3DMaskRCNN은 LUNA16에서 FP 감소 시 CPM 0.86, FP 감소 없이 0.826를 달성한다.
• 민감도, 스캔당 FP, CPM은 기존의 여러 방법 및 방사선 의사 벤치마크와 경쟁력 있거나 이를 상회한다.
• DSC는 3DMaskRCNN 분할에서 70±10으로 방사선 의사(76±16) 및 다른 방법들(CNN on diameter 79±19; PN-SAMP-S1 74±3.57)과 근접하다.
• 모델은 예측된 결절 부피와 실제 부피 간에 강한 상관관계(0.96)를 보인다.
• 경계에 대한 Hausdorff 거리는 2.49 mm ± 2.05 mm로, 경계 정밀도가 작은 물체 크기에 의해 제한됨을 시사한다.
• 3DMaskRCNN은 단일 엔드투엔드 프레임워크에서 탐지와 전체 3D 분할을 모두 제공하며, LUNA16에서 경쟁력 있는 성능을 보여준다.