[논문 리뷰] Medical Image Segmentation using 3D Convolutional Neural Networks: A Review.

S. Niyas, S. J. Pawan외 2명|arXiv (Cornell University)|2021. 08. 19.

AI in cancer detection참고 문헌 94인용 수 4

한 줄 요약

이 논문은 의료 영상 분할을 위한 3D 컨volution 신경망(3D CNNs)을 검토하며, 진단 정확도 향상과 치료 계획 수립에서의 역할 증가를 강조한다. 볼륨형 의료 영상에 대한 딥러닝의 연구 동향을 분석하고, 주요 아키텍처, 3D 데이터 처리의 과제, 연구 격차 및 향후 방향성을 규명한다.

ABSTRACT

Computer-aided medical image analysis plays a significant role in assisting medical practitioners for expert clinical diagnosis and deciding the optimal treatment plan. At present, convolutional neural networks (CNN) are the preferred choice for medical image analysis. In addition, with the rapid advancements in three-dimensional (3D) imaging systems and the availability of excellent hardware and software support to process large volumes of data, 3D deep learning methods are gaining popularity in medical image analysis. Here, we present an extensive review of the recently evolved 3D deep learning methods in medical image segmentation. Furthermore, the research gaps and future directions in 3D medical image segmentation are discussed.

연구 동기 및 목표

• 최근 3D 컨volution 신경망이 의료 영상 분할에 응용된 발전 사항을 종합적으로 검토하기 위해.
• 대규모 3D 의료 영상 데이터 처리와 관련된 기술적 과제를 분석하기 위해.
• 딥러닝을 활용한 3D 의료 영상 분할 분야에서의 핵심 연구 격차를 규명하기 위해.
• 3D 분할 모델의 정확도, 효율성 및 임상 적용 가능성 향상을 위한 향후 연구 방향을 제시하기 위해.

제안 방법

• 3D CNN 기반 의료 영상 분할 기법에 관한 동료 심사 논문을 대상으로 한 체계적 리뷰.
• 네트워크 설계, 손실 함수, 데이터 증강 기법에 기반한 3D CNN 아키텍처의 분류.
• 효율적인 3D 딥러닝 추론을 가능하게 한 하드웨어 및 소프트웨어 발전 분석.
• MRI, CT, PET와 같은 다양한 의료 영상 모odalities에서의 모델 성능 평가.
• 일반화 능력, 해석 가능성, 계산 비용 측면에서의 공통적인 한계 식별.
• U-Net 변종 및 주의 메커니즘을 포함한 3D 네트워크 설계의 트렌드 및 혁신 요약.

실험 결과

연구 질문

• RQ1 다양한 영상 모달리티에서 의료 영상 분할에 가장 효과적인 3D CNN 아키텍처는 무엇인가?
• RQ2 정확도 및 계산 효율성 측면에서 3D CNN은 2D 및 2.5D 접근 방식과 비교해 어떻게 다를까?
• RQ3 일상적인 의료 현장에서 3D CNN의 도입을 저해하는 주요 기술적 및 임상적 과제는 무엇인가?
• RQ4 데이터 증강 및 손실 함수는 3D 분할 성능 향상에 어떤 역할을 하는가?
• RQ5 3D 의료 영상 분할 기술을 발전시키기 위해 가장 유망한 향후 연구 방향은 무엇인가?

주요 결과

• 2D 방법에 비해 3D CNN은 볼륨형 의료 영상에서 공간적 맥락을 더 잘 포착하는 데 뛰어난 성능을 보였다.
• 3D U-Net 및 그 변종 아키텍처는 공간 계층을 유지할 수 있는 능력 덕분에 표준으로 자리 잡았다.
• 주의 메커니즘과 잔차 연결의 통합은 작은 구조나 복잡한 구조의 분할 정확도 향상에 기여했다.
• 진전이 있었음에도 불구하고, 다양한 데이터셋과 임상 환경 간의 일반화 능력 향상에 여전히 과제가 존재한다.
• 계산 자원 요구량과 긴 추론 시간은 실시간 임상 적용을 위한 주요 장벽 그대로 남아 있다.
• 대규모 레이블링 데이터에 의존도를 줄이기 위해 향후 연구는 자기지도 학습 및 약한 지도 학습에 초점을 맞춰야 한다.