[논문 리뷰] NaviAirway: a Bronchiole-sensitive Deep Learning-based Airway Segmentation Pipeline

Andong Wang, Terence Chun Tam외 3명|arXiv (Cornell University)|2022. 03. 08.

Lung Cancer Diagnosis and Treatment인용 수 10

한 줄 요약

NaviAirway는 기저세기관 감지에 특화된 딥러닝 기반 기관지 분할 파이프라인으로, 기저세기관에 민감한 손실 함수와 반복적 훈련 전략을 도입하여 흉부 CT 영상에서 기형학적 정확도를 향상시킨다. 이는 기관지 세대 간 크기 불균형 문제를 해결함으로써 미세 기저세기관을 효과적으로 탐지하고 다양한 CT 스캔에 대해 잘 일반화되며, 여러 백본 모델에서 성능 향상을 이룬다.

ABSTRACT

Airway segmentation is essential for chest CT image analysis. Different from natural image segmentation, which pursues high pixel-wise accuracy, airway segmentation focuses on topology. The task is challenging not only because of its complex tree-like structure but also the severe pixel imbalance among airway branches of different generations. To tackle the problems, we present a NaviAirway method which consists of a bronchiole-sensitive loss function for airway topology preservation and an iterative training strategy for accurate model learning across different airway generations. To supplement the features of airway branches learned by the model, we distill the knowledge from numerous unlabeled chest CT images in a teacher-student manner. Experimental results show that NaviAirway outperforms existing methods, particularly in the identification of higher-generation bronchioles and robustness to new CT scans. Moreover, NaviAirway is general enough to be combined with different backbone models to significantly improve their performance. NaviAirway can generate an airway roadmap for Navigation Bronchoscopy and can also be applied to other scenarios when segmenting fine and long tubular structures in biomedical images. The code is publicly available on https://github.com/AntonotnaWang/NaviAirway.

연구 동기 및 목표

• 기본적인 볼륨 기반 클래스 불균형으로 인해 미세 기저세기관을 탐지하지 못하는 문제로 인한 기형학적 정확도 저하 문제를 해결하기 위해.
• 크기가 큰 기관지가 볼륨 기반으로 지배하는 반면 임상적으로 중요한 미세 기저세기관이 생략되는 기관지 세대 간 크기 불균형 문제를 해결하기 위해.
• 반복적 훈련 전략과 비정규화된 데이터로부터의 지식 정복을 통해 기관지 세대 간 일반화 및 특징 학습을 향상시키기 위해.
• 다양한 백본 모델과 호환되는 플러그 앤 플레이 프레임워크를 개발하여 모델의 분할 성능을 향상시키기 위해.
• 내시경 기반 기관지 도색 및 생물의학 영상에서 미세 관형 구조를 정확하게 분할하기 위한 3차원 기관지 도로도 생성을 가능하게 하기 위해.

제안 방법

• 기본적인 볼륨 기반 불균형 문제를 해결하기 위해, 중간 신뢰도 예측에 대해 보상하고 낮은 신뢰도의 오진 예측을 억제하는 기저세기관에 민감한 손실 함수 $\mathfrak{L}_{pen}$ 을 제안하여 미세 기저세기관 탐지 성능을 향상시킨다.
• 인간의 시각 인지 방식을 모방한 반복적 훈련 전략을 도입하여, 모델이 저세대 및 고세대 기관지를 번갈아가며 집중함으로써 세대 간 특징을 유지한다.
• 수천 개의 비정규화된 CT 스캔을 활용한 교사-학생 정복 프레임워크를 도입하여 기관지 분지 특징에 대한 지식을 전이함으로써 수동 레이블링 없이도 특징 표현을 향상시킨다.
• 훈련 중 기관지 분지 볼륨의 불균형을 완화하기 위해 비율 $r_i^j \approx 2/\hat{r}$ 기반 샘플링 전략을 적용한다.
• 하이퍼파rameter 조정 없이도 3D U-Net, V-Net, VoxResNet, Wang et al. 등의 다양한 백본 모델에 적용하여 광범위한 호환성과 성능 향상을 입증한다.
• 기존 지표의 한계를 보완하기 위해 참조 레이블에서 빠진 진짜 분지 수를 고려한 수정된 지표인 Adjusted Branch Detected (ABD) 및 Adjusted Tree-length Detected (ATD) 를 도입한다.

실험 결과

연구 질문

• RQ1 미세 기저세기관 탐지를 우선시하고 노이즈를 억제할 수 있는 손실 함수를 설계할 수 있는가? 이를 통해 기관지 분할의 기형학적 정확도가 향상될 수 있는가?
• RQ2 심각한 크기 불균형이 존재하는 상황에서, 다양한 기관지 세대 간 특징을 효과적으로 학습할 수 있는 딥러닝 모델은 어떻게 설계할 수 있는가?
• RQ3 비정규화된 CT 스캔에서의 지식 정복이 기관지 분할을 위한 특징 학습에 얼마나 기여하는가?
• RQ4 반복적 훈련 전략은 다양한 CT 스캐너 및 기관소에서의 모델 성능 향상과 일반화 능력을 향상시키는가?
• RQ5 제안된 파이프라인은 다양한 백본 아키텍처와 효과적으로 통합되어 그들의 분할 성능을 향상시킬 수 있는가?

주요 결과

• NaviAirway는 고세대 기저세기관 탐지 성능을 크게 향상시켜 QMH 데이터셋에서 95.4%의 민감도와 90.2%의 Branch Detected (BD) 를 달성하며 기존 방법을 능가한다.
• BAS 데이터셋에서 114.2%의 Adjusted Branch Detected (ABD) 와 113.2%의 Adjusted Tree-length Detected (ATD) 를 기록하여, 참조 레이블보다 더 많은 진짜 기저세기관을 탐지함을 시사한다.
• 검토되지 않은 QMH 데이터셋에서도 132.4% ABD 와 108.6% ATD 를 유지하여 새로운 데이터와 스캐너 변동성에 대한 강인성을 입증한다.
• 3D U-Net, V-Net, VoxResNet, Wang et al.의 모델에 적용했을 때도 하이퍼파rameter 조정 없이 모든 백본에서 성능 향상을 보이며 일반화 능력을 확인한다.
• 기저세기관에 민감한 손실 함수 $\mathfrak{L}_{pen}$ 의 도함수 분석을 통해 중간 신뢰도 예측에 대해 효과적으로 보상하고 낮은 신뢰도 노이즈를 거부하는 것으로 확인된다.
• 반복적 훈련 전략은 고세대 미세조정 과정에서 저세대 기관지 특징의 치명적인 기억 상실을 방지하여 기형학적 정확성을 유지한다.