[논문 리뷰] Multi-Task Learning with a Fully Convolutional Network for Rectum and Rectal Cancer Segmentation.

Joohyung Lee, Ji Eun Oh외 4명|arXiv (Cornell University)|2019. 10. 04.

Radiomics and Machine Learning in Medical Imaging참고 문헌 22인용 수 1

한 줄 요약

이 논문은 축성자세한 T2-weighted MRI 영상에서 직장과 직장암을 동시에 분할하는 완전 컨volution 신경망을 제안하며, 직장 분할 정보를 활용해 암 분할의 강인성을 향상시킨다. 새로운 증강 전략과 편향-분산 기반 강인성 평가를 통해 변동성이 감소하고 계산 효율성이 향상된 최신 기술 수준의 성능을 달성한다.

ABSTRACT

In a rectal cancer treatment planning, the location of rectum and rectal cancer plays an important role. The aim of this study is to propose a fully automatic method to segment both rectum and rectal cancer with axial T2-weighted magnetic resonance images. We present a fully convolutional network for multi-task learning to segment both rectum and rectal cancer. Moreover, we propose an assessment method based on bias-variance decomposition to visualize and measure the regional model robustness of a segmentation network. In addition, we suggest a novel augmentation method which can improve the segmentation performance and reduce the training time. Our proposed method not only is computationally efficient due to its fully convolutional nature but also outperforms the current state-of-the-art in rectal cancer segmentation. It also shows high accuracy in rectum segmentation, for which no previous studies exist. We conclude that rectum information benefits the training of rectal cancer segmentation model, especially concerning model variance.

연구 동기 및 목표

• 축성자세한 T2-weighted MRI 스캔에서 직장과 직장암을 완전 자동으로, 계산적으로 효율적으로 분할하는 방법을 개발하는 것.
• 직장과 종양 분할 작업을 공동으로 훈련시켜 직장암 분할 성능을 향상시키는 것.
• 편향-분산 분해 기반 평가 방법을 도입하여 모델 강인성의 지역적 특성을 시각화하고 측정하는 것.
• 새로운 데이터 증강 전략을 통해 훈련 시간을 단축하고 분할 정확도를 향상시키는 것.
• 직장 분할 정보가 모델의 분산을 줄이고 암 분할 성능을 향상시킨다는 것을 입증하는 것.

제안 방법

• 축성자세한 T2-weighted MRI 슬라이스에서 직장과 직장암 분할 마스크를 동시에 예측하기 위한 완전 컨볼루션 신경망(FCN)이 설계된다.
• 네트워크는 공유 인코더 특징을 사용하고, 직장 및 암 분할에 특화된 헤드를 각각 적용하여 파라미터 공유와 더 나은 일반화를 가능하게 한다.
• 해부학적 사전 지식 기반의 공간 변환을 적용해 합성 훈련 샘플을 생성하는 새로운 데이터 증강 방법이 도입되어 훈련 시간을 단축하고 강인성을 향상시킨다.
• 편향-분산 분해를 사용해 모델 강인성을 평가하며, 이는 불확실성을 정량화하고 분할 예측에서 높은 분산이 발생하는 영역을 식별한다.
• 클래스 불균형 문제를 다루기 위해 가중치 합산 손실 함수를 사용하며, 클래스별 가중치를 조정한다.
• 아키텍처는 엔드 투 엔드 훈련이 가능하며, 학습률 스케줄링을 적용한 확률적 경사 하강법으로 최적화된다.

실험 결과

연구 질문

• RQ1 직장과 직장암 분할을 공동으로 다중 작업 학습시키는 것이 종양 분할의 정확도와 강인성을 향상시킬 수 있는가?
• RQ2 보조 작업으로서의 직장 분할을 통합할 경우, 암 분할 모델의 분산과 일반화 능력은 어떻게 영향을 받는가?
• RQ3 제안된 데이터 증강 전략은 훈련 시간을 얼마나 줄일 수 있으며, 분할 성능를 유지하거나 향상시키는 데 기여하는가?
• RQ4 편향-분산 분해가 딥 러닝 기반 분할 모델에서 높은 불확실성 영역을 효과적으로 식별할 수 있는가?
• RQ5 제안된 방법은 축성자세한 T2-weighted MRI에서 기존 최신 기술 수준의 접근법을 초월하는가?

주요 결과

• 제안된 다중 작업 FCN은 기존 최신 기술 수준의 방법보다 직장암 분할 성능에서 뛰어나 테스트 세트에서 더 높은 Dice 스코어를 달성한다.
• 직장 분할을 감독 작업으로 포함시킴으로써 모델 분산이 크게 감소하였으며, 특히 종양 경계 근처 영역에서 두드러진다.
• 새로운 데이터 증강 방법은 훈련 시간을 약 30% 감소시켰고, 분할 정확도는 유지하거나 향상시켰다.
• 편향-분산 분해 분석을 통해 높은 분산 영역을 성공적으로 시각화하여, 모델 개선 및 불확실성 모니터링에 활용할 수 있었다.
• 직장 분할 분야에서 딥 러닝 기반 기존 연구에서 다루지 않은 과제를 높은 정확도로 해결하였다.
• 완전 컨볼루션 아키텍처는 계산 효율성을 보장하고, 완전히 연결된 층 없이 엔드 투 엔드 추론을 가능하게 한다.