[논문 리뷰] Neural Network-Based Automatic Liver Tumor Segmentation With Random Forest-Based Candidate Filtering

Grzegorz Chlebus, Hans Meine외 2명|arXiv (Cornell University)|2017. 06. 02.

Brain Tumor Detection and Classification참고 문헌 4인용 수 59

한 줄 요약

완전 자동 간 종양 분할 방법은 간 및 종양 마스크를 위한 cascaded CNN으로, 이후 종양 후보의 특이도 향상을 위한 랜덤 포레스트 기반 필터링을 사용한다.

ABSTRACT

We present a fully automatic method employing convolutional neural networks based on the 2D U-net architecture and random forest classifier to solve the automatic liver lesion segmentation problem of the ISBI 2017 Liver Tumor Segmentation Challenge (LiTS). In order to constrain the ROI in which the tumors could be located, a liver segmentation is performed first. For the organ segmentation, an ensemble of convolutional networks is trained to segment a liver using a set of 179 liver CT datasets from liver surgery planning. Inside of the liver ROI a neural network, trained using 127 challenge training datasets, identifies tumor candidates, which are subsequently filtered with a random forest classifier yielding the final tumor segmentation. The evaluation on the 70 challenge test cases resulted in a mean Dice coefficient of 0.65, ranking our method in the second place.

연구 동기 및 목표

• 자동 간 병변 분할을 통해 사용자 상호작용을 줄인다.
• 견고한 간 분할을 통해 간 ROI로 종양 탐색을 제한한다.
• CNN으로 종양 후보를 식별하고 랜덤 포레스트로 거짓 양성을 필터링한다.
• LiTS 챌린지에서 경쟁력 있는 성능을 달성하고 처리 시간 분석을 수행한다.
• 3D 아키텍처 및 다중 레이블 접근법의 한계와 잠재적 방향을 논의한다.

제안 방법

• 세 개의 직교 2D U-net(축, 시상, 관상)으로 초기 간 분할을 수행한다.
• 세 2D 출력물을 3D U-net이 정제하고 융합하여 최종 간 마스크를 만든다.
• 간의 보이드에서 학습된 2D U-net이 간 ROI 내에서 종양 후보를 식별한다.
• 랜덤 포레스트 분류기가 원시 마스크 및 정제 마스크에서 46개의 특징을 사용해 종양 후보를 필터링한다.
• 후처리에는 3D 연결 성분 추출 및 간 분할 마스크에 의한 마스킹이 포함된다.

실험 결과

연구 질문

• RQ1 연쇄 CNN이 CT 볼륨에서 간과 종양 영역을 완전 자동 LiTS 제출을 위해 신뢰성 있게 분할할 수 있는가?
• RQ2 랜덤 포레스트 기반 후보 필터링이 민감도 손실 없이 특이도를 향상시키는가?
• RQ3 제안된 파이프라인의 LiTS 데이터에서의 실제 실행 시간과 한계는 무엇인가?

주요 결과

• 70개의 LiTS 테스트 케이스에서 평균 Dice 계수: 0.65(2위).
• 전체 체적당 처리 시간: 약 195초(간 분할 약 65초, 종양 분할 약 49초, 후처리 약 81초).
• 랜덤 포레스트를 이용한 종양 후보 분류 정확도: 90%.
• 간 경계 또는 간 마스크의 부정확성으로 인해 때때로 종양 후보가 어려움을 겪어 최종 종양 마스크에 영향이 있다.
• 간 마스크에 한정된 학습은 학습 시간을 줄이지만 간 영역 밖에서 거짓 양성이 증가할 수 있다.
• 경계 부분 샘플링은 민감도는 높이고 특이도는 낮추는 비용으로 민감도를 향상시킨다.