[논문 리뷰] Organ at Risk Segmentation for Head and Neck Cancer using Stratified Learning and Neural Architecture Search

Dazhou Guo, Dakai Jin외 8명|arXiv (Cornell University)|2020. 04. 17.

Head and Neck Cancer Studies참고 문헌 49인용 수 14

한 줄 요약

이 논문은 두경부 종양 치료에서 위험에 처한 기관(OAR) 분할을 위한 새로운 계층적 학습 프레임워크인 SOARS를 제안한다. 이 프레임워크는 임상적 분할 관행에 기반해 OAR를 앵커, 중수준, 소형/어려운(S&H) 카테고리로 분류하고, 각 카테고리에 맞는 처리 워크플로우와 미분 가능 신경망 아키텍처 탐색(NAS)을 통해 네트워크 아키텍처를 최적화한다. 42개의 OAR로 구성된 데이터셋에서 기존 최고 성능(SOTA) 방법 대비 4.70% 절대적인 딱지 스코어 향상(75.14%)을 달성하여, 복잡하고 저대비이며 크기가 다양한 OAR에 대해 높은 정확도와 강건성을 입증한다.

ABSTRACT

OAR segmentation is a critical step in radiotherapy of head and neck (H&N) cancer, where inconsistencies across radiation oncologists and prohibitive labor costs motivate automated approaches. However, leading methods using standard fully convolutional network workflows that are challenged when the number of OARs becomes large, e.g. > 40. For such scenarios, insights can be gained from the stratification approaches seen in manual clinical OAR delineation. This is the goal of our work, where we introduce stratified organ at risk segmentation (SOARS), an approach that stratifies OARs into anchor, mid-level, and small & hard (S&H) categories. SOARS stratifies across two dimensions. The first dimension is that distinct processing pipelines are used for each OAR category. In particular, inspired by clinical practices, anchor OARs are used to guide the mid-level and S&H categories. The second dimension is that distinct network architectures are used to manage the significant contrast, size, and anatomy variations between different OARs. We use differentiable neural architecture search (NAS), allowing the network to choose among 2D, 3D or Pseudo-3D convolutions. Extensive 4-fold cross-validation on 142 H&N cancer patients with 42 manually labeled OARs, the most comprehensive OAR dataset to date, demonstrates that both pipeline- and NAS-stratification significantly improves quantitative performance over the state-of-the-art (from 69.52% to 73.68% in absolute Dice scores). Thus, SOARS provides a powerful and principled means to manage the highly complex segmentation space of OARs.

연구 동기 및 목표

• 두경부 암 방사선 치료에서 42개의 위험에 처한 기관(OAR)에 대한 높은 관찰자 간 변동성과 수작업 분할의 고된 시간 소모 문제를 해결한다.
• 대규모 수의 OAR(>40개)를 다룰 때 어려움을 겪는 기존 딥러닝 방법의 한계를 극복하며, 특히 소형 및 저대비 구조물에 대해 성능을 향상시킨다.
• 임상 실무를 모방하기 위해 OAR를 앵커, 중수준, 소형/어려운 카테고리로 계층적으로 분류함으로써 분할 성능을 향상시킨다.
• 각 OAR 카테고리에 맞춰 미분 가능 신경망 아키텍처 탐색(differentiable NAS)을 사용하여 2D, 3D 또는 허위 3D 컨볼루션을 자동으로 선택하고 네트워크 아키텍처를 최적화한다.
• MICCAI2015와 같은 외부 데이터셋에서 일반화 능력과 강건성을 입증하기 위해 실생활 적용 가능성을 검증한다.

제안 방법

• 임상적 분할 관행에 기반해 OAR를 세 가지 카테고리로 분류한다: 앵커(고대비, 안정적), 중수준(저대비, 중간 크기), 소형/어려운(매우 작고, 매우 저대비).
• 각 카테고리에 맞는 별도의 처리 프레임워크를 적용한다: 앵커 OAR는 먼저 분할되고, 중수준 및 S&H OAR 분할을 안내하기 위해 공간 사전 정보로 사용된다.
• 극심한 클래스 불균형을 다루고 국소화 정확도를 향상시키기 위해 검출-분할 파이프라인을 S&H OAR에 적용한다.
• 각 OAR 카테고리에 맞는 최적의 컨볼루션 커널(2D, 3D 또는 허위 3D)을 자동으로 선택하기 위해 미분 가능 신경망 아키텍처 탐색(NAS)을 구현하여 성능과 효율성 최적화를 달성한다.
• 142명의 두경부 암 환자로 구성된 종합 데이터셋(수작업 분할된 42개의 OAR 포함)을 사용해 4겹 교차검증을 수행하여 모델을 훈련한다.
• 앵커 예측 결과를 중수준 및 S&H 브랜치의 보조 입력으로 통합하여 공간 기반 정보를 제공하고 분할 일관성을 향상시킨다.

실험 결과

연구 질문

• RQ1 임상적 분할 관행에 기반한 계층적 학습이 두경부 암에서 다양한 OAR 수십 개에 대해 분할 성능을 향상시킬 수 있는가?
• RQ2 각 OAR 카테고리(앵커, 중수준, S&H)에 맞춰 미분 가능 NAS로 선택된 다양한 네트워크 아키텍처가 고정된 아키텍처 모델보다 더 높은 분할 정확도를 달성할 수 있는가?
• RQ3 앵커 OAR 예측 결과를 공간 사전 정보로 통합함으로써 중수준 및 소형/어려운 OAR의 분할 성능을 크게 향상시킬 수 있는가?
• RQ4 전체 OAR 카테고리 전반에서 딱지 스코어, 하우스도르프 거리, 평균 표면 거리 측정치를 기준으로 제안된 SOARS 프레임워크는 기존 최고 성능(SOTA) 방법보다 어떻게 비교되는가?
• RQ5 SOARS는 이미징 프로토콜과 OAR 분포가 다른 외부 데이터셋, 예를 들어 MICCAI2015에 대해 얼마나 잘 일반화되는가?

주요 결과

• SOARS는 42개의 OAR로 구성된 데이터셋에서 75.14%의 딱지 스코어를 기록하여 기존 SOTA 방법(UaNet) 대비 4.70% 절대적인 향상을 달성했으며, HD 오차는 2.22 mm 감소하였다.
• 중수준 및 소형/어려운 OAR 브랜치에서 가장 두드러진 성능 향상이 관찰되었으며, 전체 OAR에서 딱지 스코어가 70.44%에서 75.14%로 상승하여 어려운 구조물에 대한 뛰어난 성능을 입증하였다.
• 미분 가능 NAS는 최적의 아키텍처를 성공적으로 선택하였다: 앵커 및 중수준 브랜치에서는 2D 및 허위 3D 컨볼루션, S&H 브랜치에서는 3D 컨볼루션을 선호하여, 소형 및 저대비 구조물에 대해 3D 컨볼루션의 효과성이 입증되었다.
• 검출 기반 가이던스 덕분에 S&H 브랜치는 히트맵 사전 정보를 사용할 경우 0.82%의 딱지 스코어 향상을 기록하여, 희귀하고 소형 OAR에 대해 검출 기반 접근의 가치를 입증하였다.
• MICCAI2015 외부 데이터셋에서 SOARS는 평균 딱지 스코어 82.4%를 기록하여 UaNet 대비 1.2% 높고, [9] 대비 2.1% 높았으며, 가장 어려운 OAR인 시냅스 시냅스에서 3.4% 향상되었다.
• MICCAI2015의 전체 9개 OAR에서 일관된 승리 기록을 보였으며, 7개에서 최고 성능, 2개에서 2위 성과를 기록하여 강건성과 일반화 능력을 확인하였다.