[논문 리뷰] Pneumothorax Segmentation: Deep Learning Image Segmentation to predict Pneumothorax

Karan Jakhar, Avneet Kaur외 1명|arXiv (Cornell University)|2019. 12. 16.

COVID-19 diagnosis using AI참고 문헌 25인용 수 22

한 줄 요약

이 논문은 흉부 X선 영상에서 기흉의 의미적 분할을 위한 U-Net 기반 딥러닝 모델을 제안하며, ResNet을 백본으로 사용하여 84.3%의 Dice 계수와 82.6%의 IoU를 달성하여 정확하고 실시간으로 기흉을 탐지하고 국소화할 수 있도록 하여 방사선과의 조기에 진단 및 치료 결정을 지원한다.

ABSTRACT

Computer vision has shown promising results in medical image processing. Pneumothorax is a deadly condition and if not diagnosed and treated at time then it causes death. It can be diagnosed with chest X-ray images. We need an expert and experienced radiologist to predict whether a person is suffering from pneumothorax or not by looking at the chest X-ray images. Everyone does not have access to such a facility. Moreover, in some cases, we need quick diagnoses. So we propose an image segmentation model to predict and give the output a mask that will assist the doctor in taking this crucial decision. Deep Learning has proved their worth in many areas and outperformed man state-of-the-art models. We want to use the power of these deep learning model to solve this problem. We have used U-net [13] architecture with ResNet [17] as a backbone and achieved promising results. U-net [13] performs very well in medical image processing and semantic segmentation. Our problem falls in the semantic segmentation category.

연구 동기 및 목표

• 흉부 X선 영상에서 기흉의 조기에 정확하게 탐지할 수 있는 자동화된 딥러닝 기반 시스템을 개발하는 것.
• 세분화 마스크를 통한 시각적 해석 가능성으로 인해 전문 방사선과의에 대한 의존도를 줄이고, 빠르고 구현 가능한 모델을 제공하는 것.
• 수동적인 X선 해석에서 흔히 발생하는 가짜 음성 비율을 줄이고 진단 정확도를 향상시키는 것.
• 딥러닝을 활용해 의미적 분할을 통해 기흉이 발생한 폐의 정확한 영역을 국소화하는 것.
• 계산적으로 효율적이고 실시간 임상 구현에 적합한 모델을 만드는 것.

제안 방법

• 업샘플링 과정에서 공간적 세부 정보를 유지하기 위해 스킵 연결을 갖춘 U-Net 아키텍처를 사용한다.
• 엔코더 백본으로 ResNet을 사용하며, 특징 추출 및 학습 수렴을 향상시키기 위해 ImageNet에서 미리 훈련된 가중치를 사용한다.
• 이진 교차 엔트로피 손실과 낮은 학습률(0.0001)을 갖춘 Adam 옵timizer를 사용하여 네트워크를 훈련시킨다.
• OpenCV를 통해 데이터 증강 및 대trast 보정을 적용하여 강건성과 일반화 능력을 향상시킨다.
• 노이즈 제거 및 날카운 세분화 마스크 생성을 위해 임계치 처리를 통해 후처리를 수행한다.
• 세분화 유사도의 표준 지표인 Dice 계수와 교차율(IoU)을 사용하여 모델을 평가한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 의미적 분할 모델은 흉부 X선 영상에서 기흉을 정확하게 국소화할 수 있는가?
• RQ2 이 작업에 대해 U-Net 아키텍처에 ResNet을 백본으로 통합할 경우 성능 향상에 어떤 기여를 하는가?
• RQ3 수동으로 독해한 결과와 비교할 때 모델은 얼마나 많은 가짜 음성 진단을 줄일 수 있는가?
• RQ4 모델은 임상적 의사결정 지원을 위해 해석 가능한 세분화 마스크를 생성할 수 있는가?
• RQ5 이 의료 영상 맥락에서 Dice 계수와 IoU 스코어는 시각적 세분화 품질과 어떻게 상관관계가 있는가?

주요 결과

• 모델은 84.3%의 Dice 계수와 82.6%의 IoU를 기록하여 예측 마스크와 진짜 마스크 간의 강한 유사성을 보였다.
• 미리 훈련된 ResNet 가중치의 사용이 훈련 속도를 크게 향상시키고 성능 향상에 기여했다.
• 시각적 결과에서 예측 마스크가 다양한 환자 케이스에서 전문가가 작성한 진짜 마스크와 거의 정확하게 일치하는 것으로 나타났다.
• 임계치 처리를 통한 후처리가 노이즈를 효과적으로 줄이고 마스크의 날카움을 향상시켜 임상적 해석 가능성에 기여했다.
• 모델는 다양한 테스트 이미지에서 일관된 성능을 보이며 강력한 일반화 능력과 강건성을 입증했다.
• GPU 하드웨어에서의 효율적 추론 덕분에 실시간 배포에 적합한 프레임워크임을 입증했다.