[논문 리뷰] NoduleNet: Decoupled False Positive Reductionfor Pulmonary Nodule Detection and Segmentation

Hao Tang, Chupeng Zhang외 1명|arXiv (Cornell University)|2019. 07. 25.

Lung Cancer Diagnosis and Treatment참고 문헌 19인용 수 9

한 줄 요약

NoduleNet는 다중 작업 학습을 통해 폐 결절 탐지, 가짜 양성 결과 감소 및 세분화를 동시에 수행하는 새로운 엔드 투 엔드 3D 딥 컨볼루션 신경망이다. 탐지 및 가짜 양성 결과 감소를 위한 분리된 특징 맵과 세분화 정밀화 서브넷을 활용함으로써, LIDC 데이터셋에서 결절 탐지 정확도를 10.27% 향상시키고, 세분화의 최신 기술 수준(SOTA)인 83.10%의 Dice-Sørensen 계수를 달 đạt하였다.

ABSTRACT

Pulmonary nodule detection, false positive reduction and segmentation represent three of the most common tasks in the computeraided analysis of chest CT images. Methods have been proposed for eachtask with deep learning based methods heavily favored recently. However training deep learning models to solve each task separately may be sub-optimal - resource intensive and without the benefit of feature sharing. Here, we propose a new end-to-end 3D deep convolutional neural net (DCNN), called NoduleNet, to solve nodule detection, false positive reduction and nodule segmentation jointly in a multi-task fashion. To avoid friction between different tasks and encourage feature diversification, we incorporate two major design tricks: 1) decoupled feature maps for nodule detection and false positive reduction, and 2) a segmentation refinement subnet for increasing the precision of nodule segmentation. Extensive experiments on the large-scale LIDC dataset demonstrate that the multi-task training is highly beneficial, improving the nodule detection accuracy by 10.27%, compared to the baseline model trained to only solve the nodule detection task. We also carry out systematic ablation studies to highlight contributions from each of the added components. Code is available at https://github.com/uci-cbcl/NoduleNet.

연구 동기 및 목표

• 폐 결절 탐지, 가짜 양성 결과 감소 및 세분화를 위한 별도의 딥 러닝 모델을 훈련하는 데서 발생하는 비효율성과 최적화되지 않은 성능을 해결하기 위해.
• 모델의 효율성과 성능을 향상시키기 위해 작업 간 특징 공유를 개선하면서도, 상충되는 목표 간 간섭을 방지하기 위해.
• 세분화 마스크를 활용하여 탐지 및 가짜 양성 결과 감소를 유도하는 통합 프레임워크를 개발하여 공동 학습 환경에서의 성능 향상을 도모하기 위해.
• 대규모 3D 체스트 CT 데이터에서 분리된 특징 학습과 세분화 정밀화의 효과를 입증하기 위해.

제안 방법

• 결절 탐지, 가짜 양성 결과 감소 및 세분화를 위한 공통된 특징 추출 백본을 갖춘 다중 작업 3D DCNN 아키텍처를 제안한다.
• 분리된 특징 맵 도입: 하나는 결절 탐지(위치 식별)를 위한 것이고, 다른 하나는 가짜 양성 결과 감소(분류)를 위한 것으로, 작업별 특징 학습을 가능하게 한다.
• 초기 레이어의 특징을 사용하여 초기 세분화 예측을 정밀화하는 세분화 정밀화 서브넷을 활용한다.
• 결절 후보자 스크리닝을 위해 3D 영역 제안 네트워크(RPN)를 사용하고, 이후 가짜 양성 결과 감소를 위한 3D 분류기로 이어진다.
• 공통 백본과 작업별 헤드를 사용하는 다중 작업 훈련을 적용하여, 모든 구성 요소를 종단 간(end-to-end)으로 최적화한다.
• 탐지 브랜치의 분류 및 회귀 헤드에 3×3×3 및 1×1×1 커널 크기의 3D 컨볼루션 레이어를 사용한다.

실험 결과

연구 질문

• RQ1 별도의 모델을 훈련시키는 것과 비교해, 결절 탐지, 가짜 양성 결과 감소 및 세분화를 공동으로 학습할 경우 전체 성능 향상이 이루어지는가?
• RQ2 탐지 및 분류를 위한 특징 맵을 분리함으로써 간섭이 감소하고 특징 표현의 품질이 향상되는가?
• RQ3 다중 작업 환경에서 세분화 정밀화 서브넷이 결절 세분화 정밀도를 어느 정도 향상시키는가?
• RQ4 공통 특징을 사용한 다중 작업 훈련은 단일 작업 훈련과 비교해 탐지 정확도 및 세분화 품질 측면에서 어떻게 성능을 내는가?
• RQ5 각 아키텍처 구성 요소(예: 분리된 특징, 정밀화 서브넷 등)가 최종 성능에 기여하는 정도는 어떠한가?

주요 결과

• NoduleNet은 단일 작업 기반 모델(단지 탐지만을 위한 훈련)에 비해 결절 탐지 정확도를 10.27% 향상시켰으며, LIDC 데이터셋에서 CPM 87.27%를 달성하였다.
• 모델은 세분화에서 최신 기술 수준(SOTA)인 83.10%의 Dice-Sørensen 계수(DSC)를 기록했으며, 별도의 세분화 네트워크 없이도 이전 방법들을 초월하였다.
• 제거 분석 결과, 분리된 특징 맵이 작업별 특징 학습을 가능하게 하여 성능 향상에 기여함을 확인했으며, 공통 특징 맵 대비 탐지 정확도가 최대 1.5% 향상되었다.
• 세분화 정밀화 서브넷은 정밀화가 없는 기준 모델 대비 DSC에서 1.3% 향상시켜, 정밀도 향상에 효과적임을 입증하였다.
• NCS 및 FPR 브랜치의 예측을 융합함으로써 탐지 성능이 0.7%~1.0% 향상되었으며, 다양한 수준의 맥락 정보 융합의 이점이 확인되었다.
• 공통 백본을 사용한 다중 작업 훈련은 모든 구성 요소에서 일관되게 성능 향상을 이끌었으며, 특징 공유가 일반화 능력과 효율성을 향상시킴을 보여주었다.