[논문 리뷰] Pi-PE: A Pipeline for Pulmonary Embolism Detection using Sparsely Annotated 3D CT Images

Deepta Rajan, David Beymer외 2명|arXiv (Cornell University)|2019. 10. 04.

Venous Thromboembolism Diagnosis and Management인용 수 10

한 줄 요약

이 논문은 3D CT 스캔에서 폐색전증(Pulmonary Embolism, PE)을 탐지하기 위해 2단계, 2D CNN 기반 파이프라인을 제안한다. 이는 매 10mm 간격으로 희박한 애너테이션만을 사용하여 고비용의 정밀 애너테이션을 피한다. 마스크 생성을 위해 맥락 증강 U-Net을 활용하고, 분류를 위해 2D Conv-LSTM와 다중 인스턴스 학습(MIL)을 조합하여, 높은 정도의 PE에서 최신 기술 수준(AUC 0.85)을 달성하며, 파rameter 수는 단지 317만 개에 불과하다.

ABSTRACT

Pulmonary embolisms (PE) are known to be one of the leading causes for cardiac-related mortality. Due to inherent variabilities in how PE manifests and the cumbersome nature of manual diagnosis, there is growing interest in leveraging AI tools for detecting PE. In this paper, we build a two-stage detection pipeline that is accurate, computationally efficient, robust to variations in PE types and kernels used for CT reconstruction, and most importantly, does not require dense annotations. Given the challenges in acquiring expert annotations in large-scale datasets, our approach produces state-of-the-art results with very sparse emboli contours (at 10mm slice spacing), while using models with significantly lower number of parameters. We achieve AUC scores of 0.94 on the validation set and 0.85 on the test set of highly severe PEs. Using a large, real-world dataset characterized by complex PE types and patients from multiple hospitals, we present an elaborate empirical study and provide guidelines for designing highly generalizable pipelines.

연구 동기 및 목표

• 임상 환경에서 고비용이자 시간이 많이 소요되는 정밀 애너테이션을 필요로 하지 않는 정확하고 효율적이며 내성적인 PE 탐지 파이프라인 개발.
• 혈관에서 비대칭적이고 비정형적인 모습을 띠는 미세한, 하위세분성 PE를 탐지하는 데 도전하는 문제 해결.
• 다양한 영상 프로토콜과 병원 간 실생활 데이터셋에서 사용되는 다양한 영상 복원 커널에 대해 잘 일반화되는 파이프라인 설계.
• 대규모 3D CNN이 광범위한 사전 훈련이 필요로 하는 것과 대비하여, 모델 복잡도와 파rameter 수를 줄이면서도 높은 성능 유지.
• PE와 같이 드문 혹은 탐지가 어려운 병변에 대해 효과적이고 확장 가능하며 내성적인 의료 영상 분석 파이프라인을 구축하기 위한 경험적 지침 제공.

제안 방법

• 2단계 파이프라인을 사용한다: 1단계는 희박한 애너테이션에서 세그멘테이션 마스크를 생성하기 위해 맥락 증강 U-Net을 활용하며, 국소화 정확도 향상.
• 입력 CT 볼륨과 예측 마스크를 곱하여 마스킹된 볼륨을 생성하고, 이를 2단계 분류에 입력한다.
• 2단계는 2D Conv-LSTM 모델을 사용하여 2D 슬라이스의 시퀀스를 처리하며, 각 3D 볼륨을 인스턴스의 집합으로 모델링한다.
• 다중 인스턴스 학습(MIL)은 슬라이스 간 특징을 집계하여, 최소한 한 개의 양성 인스턴스가 존재할 경우 PE를 탐지할 수 있도록 한다.
• 클래스 불균형 문제를 다루기 위해 포칼 손실을 사용하여 훈련함으로써 희귀한 양성 사례에서의 성능 향상.
• U-Net에서의 맥락 증강은 인접한 슬라이스로부터의 공간적 및 맥락 정보를 통합하여 특징 학습을 향상시킨다.

실험 결과

연구 질문

• RQ1 희박한 애너테이션만을 요구하는 2단계 2D CNN 파이프라인은 정밀 애너테이션 없이도 최신 기술 수준의 PE 탐지 성능을 달성할 수 있는가?
• RQ2 제안된 방법은 다양한 CT 복원 커널과 다양한 병원 데이터셋, 다양한 영상 프로토콜에 대해 어떻게 일반화되는가?
• RQ3 모델 아키텍처, 파rameter 수, 훈련 손실이 탐지 성능 및 내성성에 어떤 영향을 미치는가?
• RQ4 특히 탐지가 어려운 하위세분성 및 세분성 PE 유형에 대해 성능는 어떻게 변화하는가?
• RQ5 희소 데이터 환경에서 맥락 증강과 MIL이 탐지 성능 향상에 얼마나 기여하는가?

주요 결과

• 검증 세트에서 높은 정도의 PE에 대해 AUC 0.94, 테스트 세트에서 AUC 0.85를 기록하여 최신 기술 수준의 성능를 입증한다.
• 저도의 PE, 특히 하위세분성 및 세분성 유형에 대해 AUC 0.70을 기록하여 미세한 병변임에도 불구하고 탐지 가능함을 시사한다.
• CT 복원 커널의 변동성에 대해 강건하며, 모든 커널 유형에서 AUC 0.78를 유지하여 비표준 커널까지도 잘 견뎌낸다.
• 기존 최신 기술 수준의 PENet 모델(2,840만 파rameter)에 비해 훨씬 적은 317만 파rameter만을 사용하면서도 다양한 실생활 데이터에서 슈퍼리어한 성능를 보인다.
• MIL 설정에서 인스턴스 수(T)를 25에서 100으로 늘일수록 성능이 점진적으로 향상되어 더 긴 시퀀스 모델링의 이점이 있음을 시사한다.
• 이중 교차 엔트로피 손실 대비 포칼 손실을 사용함으로써 불균형 데이터셋에서의 성능 향상이 뚜렷하게 향상되며, 특히 희귀한 PE 사례에서 유의미한 개선이 있었다.