[논문 리뷰] Multi-Scale Supervised 3D U-Net for Kidneys and Kidney Tumor Segmentation

Wenshuai Zhao, Dihong Jiang외 2명|arXiv (Cornell University)|2020. 04. 17.

Advanced Neural Network Applications참고 문헌 29인용 수 9

한 줄 요약

이 논문은 CT 영상에서 신장 및 신장 종양의 자동 분할을 위한 다중 척도 지도 학습 3D U-Net(MSS U-Net)을 제안한다. 깊이 있는 지도 학습과 지수 로그 손실을 결합하여 학습 효율성과 정확도를 향상시킨다. KiTS19 데이터셋에서 신장에 대해 0.969, 종양에 대해 0.805의 Dice 계수를 기록하며, 더 간단하고 재현 가능한 아키텍처로 최신 기술을 초월한다.

ABSTRACT

Accurate segmentation of kidneys and kidney tumors is an essential step for radiomic analysis as well as developing advanced surgical planning techniques. In clinical analysis, the segmentation is currently performed by clinicians from the visual inspection images gathered through a computed tomography (CT) scan. This process is laborious and its success significantly depends on previous experience. Moreover, the uncertainty in the tumor location and heterogeneity of scans across patients increases the error rate. To tackle this issue, computer-aided segmentation based on deep learning techniques have become increasingly popular. We present a multi-scale supervised 3D U-Net, MSS U-Net, to automatically segment kidneys and kidney tumors from CT images. Our architecture combines deep supervision with exponential logarithmic loss to increase the 3D U-Net training efficiency. Furthermore, we introduce a connected-component based post processing method to enhance the performance of the overall process. This architecture shows superior performance compared to state-of-the-art works using data from KiTS19 public dataset, with the Dice coefficient of kidney and tumor up to 0.969 and 0.805 respectively. The segmentation techniques introduced in this paper have been tested in the KiTS19 challenge with its corresponding dataset.

연구 동기 및 목표

• 신장 및 종양의 수작업 분할이 시간이 오래 걸리고, 종양의 다양성과 영상 이질성으로 인해 오류가 발생하기 쉬운 문제를 해결하기 위해.
• 방사형 분석 및 수술 계획을 위한 정확한 분할을 자동화하는 딥 러닝 기반 방법을 개발하기 위해.
• 다중 척도 지도 학습과 손실 재가중을 도입하여 3D U-Net의 학습 효율성과 분할 정확도를 향상시키기 위해.
• 연결 요소 기반 후처리 단계를 통해 최종 분할 품질을 향상시키기 위해.
• 의료 영상 분할에서 복잡한 딥 러닝 아키텍처에 대한 더 단순하고 재현 가능한 대안을 제공하기 위해.

제안 방법

• 제안된 MSS U-Net은 다중 척도 지도 학습을 통해 3D U-Net을 확장하여, 중간 디코더 특징을 다중 해상도 수준에서 지도함으로써 기울기 흐름과 특징 학습을 향상시킨다.
• 클래스 불균형을 해결하고 특히 작은 또는 잘 정의되지 않은 종양에 중점을 두기 위해 지수 로그 손실이 적용된다.
• 네트워크가 예측한 고립된 오류가 발생한 볼륨을 제거하기 위해 연결 요소 기반 후처리 방법이 사용된다. 이는 분할 일관성을 향상시킨다.
• 데이터 증강과 정규화를 적용한 채로 원시 해상도 CT 영상에서 끝에서 끝까지 학습되며, KiTS19 공개 데이터셋을 사용한다.
• U-Net의 스킵 커넥션 설계를 유지하나, 다중 척도 지도 학습과 손실 가중치를 통해 특징 재사용을 향상시킨다.
• 표준 평가 지표(예: Dice 계수)를 사용하여 평가되며, KiTS19 벤치마크에서 최신 기술 모델과 비교된다.

실험 결과

연구 질문

• RQ1 다중 척도 지도 학습은 3D U-Net의 학습 효율성과 분할 정확도를 신장 및 종양 분할에 있어 향상시키는가?
• RQ2 지수 로그 손실은 희귀하거나 작은 종양 영역에서의 클래스 불균형을 효과적으로 완화하고 성능을 향상시키는가?
• RQ3 효과적인 학습 전략을 갖춘 단순한 아키텍처 설계가 의료 영상 분할에서 더 복잡한 모델을 능가하는가?
• RQ4 연결 요소 기반 후처리 방법은 최종 분할 품질과 내성에 어떤 영향을 미치는가?
• RQ5 제안된 방법은 임상 CT 영상에서 다양한 종양 크기, 형태, 강도에 대해 얼마나 일반화되는가?

주요 결과

• MSS U-Net은 KiTS19 테스트 세트에서 신장 분할에 대해 0.969, 종양 분할에 대해 0.805의 Dice 계수를 기록하여 최신 기술 수준의 성능을 입증했다.
• 다중 척도 지도 학습은 특히 네트워크의 깊은 층에서 특징 학습과 기울기 흐름을 크게 향상시켰다.
• 지수 로그 손실은 작은 종양 및 분할이 어려운 종양에 대한 모델의 집중을 높여 어려운 케이스에서 거짓 음성 수를 감소시켰다.
• 연결 요소 기반 후처리 단계는 고립된 오류 볼륨을 효과적으로 제거하여 분할 일관성을 향상시키고 거짓 양성 수를 줄였다.
• 단순한 아키텍처임에도 불구하고, 코드 공유를 위한 공개 GitHub 리포지토리가 제공되어 재현성과 일반화 능력 측면에서 더 복잡한 아키텍처를 능가했다.
• 극히 작은 종양의 경우 성능에 어려움을 겪었으며, 한 환자에서 Dice 스코어가 0이 되었는데, 이는 수용 필드가 제한되고 특징 감도가 낮기 때문으로 추정된다.