[논문 리뷰] Multi-Scale Coarse-to-Fine Segmentation for Screening Pancreatic Ductal Adenocarcinoma

Zhuotun Zhu, Yingda Xia외 3명|arXiv (Cornell University)|2018. 07. 09.

Advanced Neural Network Applications참고 문헌 14인용 수 22

한 줄 요약

이 논문은 복부 CT 영상에서 췌장 도파일성 선암(PDAC)을 검출하기 위해 다중 척도의 굵은-세밀한 분할-분류 프레임워크를 제안한다. 굵은-세밀한 방식으로 여러 입력 척도(64³, 32³, 16³)에서 훈련 및 테스트를 수행하고, 후처리 이상치 필터를 사용함으로써, 439건의 CT 스캔으로 구성된 새로운 데이터셋에서 94.1%의 민감도와 98.5%의 특이도를 달성하였으며, 조기 진단을 위한 방사선의사가 이해할 수 있는 종양 국소화를 제공한다.

ABSTRACT

We propose an intuitive approach of detecting pancreatic ductal adenocarcinoma (PDAC), the most common type of pancreatic cancer, by checking abdominal CT scans. Our idea is named multi-scale segmentation-for-classification, which classifies volumes by checking if at least a sufficient number of voxels is segmented as tumors, by which we can provide radiologists with tumor locations. In order to deal with tumors with different scales, we train and test our volumetric segmentation networks with multi-scale inputs in a coarse-to-fine flowchart. A post-processing module is used to filter out outliers and reduce false alarms. We collect a new dataset containing 439 CT scans, in which 136 cases were diagnosed with PDAC and 303 cases are normal, which is the largest set for PDAC tumors to the best of our knowledge. To offer the best trade-off between sensitivity and specificity, our proposed framework reports a sensitivity of 94.1% at a specificity of 98.5%, which demonstrates the potential to make a clinical impact.

연구 동기 및 목표

• 조기 진단이 어려운 췌장 도파일성 선암(PDAC)의 임상적 과제를 해결하기 위해.
• CT 스캔을 정상 또는 PDAC로 분류할 뿐 아니라, 의심스러운 종양 부위를 국소화하여 방사선의사 검토를 위한 해석 가능한 AI 시스템을 개발하기 위해.
• 저대비, 비정형적인 모양의 췌장에서 크기가 다른 종양을 식별하는 데 어려움이 있는 딥러닝 기반의 접근법을 극복하기 위해.
• 현재까지 가장 큰 공개 가능한 PDAC 데이터셋을 구축하고 배포하기 위해, 136건의 PDAC와 303건의 정상 케이스를 포함한 439건의 애너테이션된 CT 스캔으로 구성된다.
• 실제 임상 환경에서 선별 검사에서 민감도와 특이도 사이의 균형을 높여, 놓친 진단을 최소화하면서도 가짜 양성 결과를 줄이기 위해.

제안 방법

• 프레임워크는 종양 분할 출력을 사용해 전체 CT 볼륨을 정상 또는 PDAC로 분류하는 분할-분류 접근법을 사용한다.
• 다중 척도 입력 전략을 적용하여, 3D U-Net 기반 네트워크를 64³, 32³, 16³ 체적 패치에서 훈련 및 테스트하여 다양한 크기의 종양을 탐지한다.
• 굵은-세밀한 테스트 파이프라인은 먼저 전체 볼륨에 64³ 네트워크를 적용해 굵은 탐지 후, 더 작은 척도 네트워크를 사용해 경계 상자 내에서 탐지 결과를 정밀화한다.
• 비모수적 후처리 모듈을 통해 고립된 작은 영역을 제거하여 가짜 양성 결과를 줄이며, 학습된 임계값에 의존하지 않는다.
• 신뢰도 점수는 종양 부피와 분할 확률의 가중합으로 계산되어 ROC 곡선 분석을 통해 민감도-특이도 트레이드오프를 분석할 수 있다.
• 보기 수준의 애너테이션을 통한 딥 서프비전을 통해 훈련되어 일반화 및 국소화 정확도가 향상된다.

실험 결과

연구 질문

• RQ1 다중 척도 굵은-세밀한 분할 프레임워크는 복부 CT 영상에서 크기가 작은 및 중간 크기의 PDAC 종양 탐지 민감도를 향상시킬 수 있는가?
• RQ2 분할 출력을 분류에 통합함으로써 방사선의사의 해석 가능성과 임상적 유용성이 어떻게 향상되는가?
• RQ3 실제 임상 환경에서 PDAC 선별에 있어 민감도와 특이도 사이의 최적 트레이드오프는 무엇인가?
• RQ4 후처리 필터는 민감도를 유지하면서도 소규모 분할 출력에서 유발되는 가짜 양성 결과를 효과적으로 줄일 수 있는가?
• RQ5 제안된 프레임워크는 새로 수집한 대규모 PDAC 데이터셋에서 표준 3D 분할 네트워크보다 성능이 뛰어나게 되는가?

주요 결과

• 제안된 다중 척도 굵은-세밀한 분할-분류 프레임워크는 현재까지 공개된 가장 큰 PDAC 데이터셋인 439건의 CT 스캔에서 민감도 94.1%, 특이도 98.5%를 달성하였다.
• 이 방법은 다양한 크기의 종양을 성공적으로 탐지하였으며, 64³ 척도에서 92.7%의 민감도를 기록하고, 다중 척도 융합을 통해 성능이 향상되었다.
• 후처리 모듈은 가짜 양성 결과를 효과적으로 줄였으며, 테스트에서 유일한 3건의 가짜 경고가 발견되었고, 이 중 2건은 방사선의사에 의해 지방성 침윤으로 확인되어 PDAC의 일반적인 임상적 유사 병변이었다.
• 종양 부피와 분할 확률 기반의 신뢰도 점수를 통해 민감도-특이도 트레이드오프를 탄력적으로 조정할 수 있었으며, 민감도 98.5%에서 특이도 95.6% 또는 특이도 99.5%에서 민감도 94.1%를 달성할 수 있었다.
• 표준 3D U-Net 및 VNet 기반 모델 대비 분할 및 분류 성능 모두에서 프레임워크가 뛰어난 성능을 보였으며, 다중 척도 굵은-세밀한 전략의 우수성을 입증하였다.
• 본 연구는 136건의 PDAC 및 303건의 정상 케이스를 포함한 439건의 새로운 대규모 볼륨 애너테이션 데이터셋을 제공하였으며, 이는 공개 가능하며 향후 PDAC 검출 연구를 지원한다.