[논문 리뷰] Organ at Risk Segmentation in Head and Neck CT Images by Using a Two-Stage Segmentation Framework Based on 3D U-Net

Yueyue Wang, Liang Zhao외 2명|arXiv (Cornell University)|2018. 08. 25.

Advanced Neural Network Applications참고 문헌 28인용 수 6

한 줄 요약

이 논문은 두 단계로 구성된 3D U-Net 프레임워크를 제안하여 두부 및 경부 CT 스캔에서 위험 기관(OAR)의 세분화를 수행한다. 이는 먼저 경계 상자 위치를 특정한 다음 상자 내에서 정밀한 세분화를 수행하는 방식으로 작업을 분해한다. 이 방법은 MICCAI 2015 데이터셋에서 9개의 OAR 중 8개에서 95HD 기준으로 최고 성능을 기록하며, 모든 9개의 OAR에 대해 DSC 점수에서 1위 또는 2위를 기록하여 최신 기술 수준(SOTA) 성능을 달성한다.

ABSTRACT

Accurate segmentation of organ at risk (OAR) play a critical role in the treatment planning of image guided radiation treatment of head and neck cancer. This segmentation task is challenging for both human and automatic algorithms because of the relatively large number of OARs to be segmented, the large variability of the size and morphology across different OARs, and the low contrast of between some OARs and the background. In this paper, we proposed a two-stage segmentation framework based on 3D U-Net. In this framework, the segmentation of each OAR is decomposed into two sub-tasks: locating a bounding box of the OAR and segment it from a small volume within the bounding box, and each sub-tasks is fulfilled by a dedicated 3D U-Net. The decomposition makes each of the two sub-tasks much easier, so that they can be better completed. We evaluated the proposed method and compared it to state-of-the-art methods by using the MICCAI 2015 Challenge dataset. In terms of the boundary-based metric 95HD, the proposed method ranked first in eight of all nine OARs and ranked second in the other OAR. In terms of the area-based metric DSC, the proposed method ranked first in six of the nine OARs and ranked second in the other three OARs with small difference with the first one.

연구 동기 및 목표

• 높은 해부학적 변동성과 낮은 조직 대비로 인해 두부 및 경부 CT 영상에서 위험 기관(OAR) 세분화를 정확하게 수행하는 데 도전하는 것.
• 단일 3D 볼륨 내에서 다양한 크기와 형태를 가진 다수의 OAR에 대해 세분화 성능을 향상시키는 것.
• 세분화 작업을 두 개의 관리 가능한 하위 작업인 위치 지정과 정밀 세분화로 분해하여 복잡성을 줄이는 것.
• 각 하위 작업에 전용 3D U-Net을 사용하여 MICCAI 2015 챌린지 데이터셋에서 최신 기술 수준의 성능을 달성하는 것.

제안 방법

• 이 방법은 두 단계 프레임워크를 사용한다: 첫 번째 단계에서 3D U-Net은 관심 기관 주변의 경계 상자를 예측함으로써 기관을 위치 지정한다.
• 두 번째 단계에서 별도의 3D U-Net이 경계 상자로 정의된 국소화된 볼륨 내에서 정밀한 세분화를 수행한다.
• 각 단계는 별도의 3D U-Net 아키텍처를 사용하여 세분화 작업의 서로 다른 측면에 집중된 학습을 가능하게 한다.
• 프레임워크는 두 번째 단계의 입력 복잡성을 줄이기 위해 OAR 주변의 작은 관련 영역으로 제한한다.
• 모델은 교차 엔트로피 손실을 사용하여 엔드 투 엔드로 훈련되고 확률적 경사 하강법으로 최적화된다.
• 추론은 먼저 경계 상자를 예측한 다음 볼륨을 자르고 두 번째 네트워크를 적용하여 세분화를 수행하는 방식으로 수행된다.

실험 결과

연구 질문

• RQ1 두 단계로 구성된 3D U-Net 프레임워크는 단일 단계 접근 방식에 비해 두부 및 경부 CT 스캔에서 위험 기관 세분화 정확도를 향상시킬 수 있는가?
• RQ2 세분화를 위치 지정과 정밀 세분화 단계로 분해하는 것이 높은 형태학적 변동성을 보이는 OAR에 대해 더 높은 성능을 제공하는가?
• RQ3 경계 및 영역 기반 세분화 지표 측면에서 제안된 방법은 최신 기술 수준의 방법들과 비교해 어떻게 성능을 내는가?
• RQ4 이 프레임워크는 낮은 조직 대비와 비정형 형태를 가진 OAR들 사이에서도 높은 성능을 유지할 수 있는가?

주요 결과

• 제안된 방법은 MICCAI 2015 데이터셋에서 9개의 OAR 중 8개에서 95% 허프다우프 거리(95HD) 지표에서 최고 성능을 기록했다.
• DSC(Dice 유사도 계수) 기준으로는 9개의 OAR 중 6개에서 1위, 나머지 3개에서는 2위를 기록하였으며, 성능 격차는 매우 미미했다.
• 두 단계 설계 덕분에 두 번째 단계의 세분화 작업 복잡성이 크게 감소하여 세분화 정확도가 향상되었다.
• 다양한 크기, 형태, 낮은 대비 경계를 가진 OAR들에 대해 뛰어난 강건성을 보였다.
• 결과적으로 경계 상자 예측을 통한 위치 인식 보정이 복잡한 해부학적 영역에서 세분화 정밀도를 향상시킨다는 것이 확인되었다.