[논문 리뷰] Lung segmentation with NASNet-Large-Decoder Net

Youshan Zhang|arXiv (Cornell University)|2023. 03. 18.

Lung Cancer Diagnosis and Treatment인용 수 5

한 줄 요약

이 논문은 NASNet-Large를 인코더로 사용하고 고유한 디코더 아키텍처를 갖춘 새로운 폐 세분화 모델을 제안하며, 0.92의 Dice 스코어를 달성하여 최신 기술을 초월한다. 이 방법은 불필요한 영역을 제거하기 위한 후처리 레이어를 통합하여 RSNA 폐렴 탐지 데이터셋의 흉부 X선(CXR) 영상에서 세분화 정확도를 크게 향상시킨다.

ABSTRACT

Lung cancer has emerged as a severe disease that threatens human life and health. The precise segmentation of lung regions is a crucial prerequisite for localizing tumors, which can provide accurate information for lung image analysis. In this work, we first propose a lung image segmentation model using the NASNet-Large as an encoder and then followed by a decoder architecture, which is one of the most commonly used architectures in deep learning for image segmentation. The proposed NASNet-Large-decoder architecture can extract high-level information and expand the feature map to recover the segmentation map. To further improve the segmentation results, we propose a post-processing layer to remove the irrelevant portion of the segmentation map. Experimental results show that an accurate segmentation model with 0.92 dice scores outperforms state-of-the-art performance.

연구 동기 및 목표

• 딥 러닝을 활용하여 조기 폐암 탐지에 적합한 고정확도 폐 세분화 모델을 개발하기 위해.
• 의료 영상 세분화에 적합한 NASNet-Large의 강력한 특징 추출 능력을 활용하기 위해.
• 고유한 디코더와 후처리 레이어를 통해 세분화 성능을 향상시키기 위해.
• 영상 밝기 변동성과 해부학적 모호성으로 인한 폐 세분화 과제를 해결하기 위해.
• 폐 분석을 넘어서도 적용 가능한 강력하고 이식 가능한 의료 영상 세분화 프레임워크를 구축하기 위해.

제안 방법

• 가슴 X선(CXR) 영상에서 고수준의 계층적 특징을 추출하기 위해 NASNet-Large를 인코더로 활용한다.
• 업샘플링, 합성곱 레이어, 배치 정규화 및 ReLU 활성화 함수를 포함한 네 개의 블록으로 구성된 디코더를 사용하여 세분화 맵을 재구성한다.
• 픽셀 단위의 폐 세분화 예측을 위해 최종 소프트맥스 레이어를 적용한다.
• 부적절한 영역(예: 연조직 또는 잡음)을 제거하기 위해 후처리 레이어를 도입하여 마스크 정밀도를 향상시킨다.
• GPU에서 배치 크기 4, 100 에포크, Adam 옵timizer를 사용하여 RSNA 폐렴 탐지 데이터셋을 기반으로 모델을 엔드 투 엔드로 훈련시킨다.
• 세분화 성능를 정량화하기 위해 Dice 및 IoU를 평가 지표로 활용한다.

Fig. 1 : The architecture of NASNet-Large segmentation net. The encoder consists of the first 414 layers from the NASNet-Large model. There are four blocks in the decoder, and each block contains Upsamling, Conv+ReLu, and BN layer. (Convolution (Conv), Batch normalization (BN), Rectified linear unit

실험 결과

연구 질문

• RQ1 NASNet-Large는 저선량 CXR 영상에서 폐 세분화에 효과적인 인코더로 기능할 수 있는가?
• RQ2 제안된 디코더 아키텍처는 표준 U-Net 또는 SegNet과 비교해 미세한 폐 경계를 얼마나 잘 포착하는가?
• RQ3 후처리 레이어는 폐 세분화에서 잠재적 오진(양성)을 어느 정도 감소시키는가?
• RQ4 NASNet-Large-Decoder Net은 RSNA 데이터셋에서 최신 기술 성능을 달성하는가?
• RQ5 영상 밝기 변동성(과노출 또는 과소노출 등)에 대해 모델은 얼마나 강건한가?

주요 결과

• 제안된 NASNet-Large-Decoder Net은 Dice 스코어 0.92와 IoU 0.87을 달성하여, SegNet(0.87 Dice), U-Net(0.88 Dice), DeepLab(0.89 Dice)를 모두 능가한다.
• 후처리가 적용된 모델은 최고의 성능을 기록하여 Dice 스코어 0.92와 IoU 0.87를 달성하였으며, 후처리 레이어의 효과를 확인한다.
• 시각적 비교 결과, 복잡한 해부학적 영역에서도 예측된 세분화 맵이 정답 마스크와 밀도 높은 일치를 보였다.
• 극도로 밝거나 어두운 영상에서는 실패 케이스가 관찰되어, 분포 외 이미지에 대한 일반화 능력에 한계가 있음을 시사한다.
• 모델은 표준 지표에서 뛰어난 성능을 보이며, 폐 영역 정확도와 재현율이 모두 높음을 확인한다.
• 아키텍처는 이식 가능하며, 폐 세분화를 넘어서 다른 의료 영상 세분화 작업에 적용 가능하다.

Fig. 2 : The post-processing of prediction result. The left one is the prediction result from the proposed net, and the right one is the post-processing result using the proposed post-processing layer. The red box is an irrelevant feature.