[논문 리뷰] Recurrent convolutional neural networks for mandible segmentation from computed tomography

Bingjiang Qiu, Jiapan Guo외 5명|arXiv (Cornell University)|2020. 03. 13.

Dental Radiography and Imaging인용 수 5

한 줄 요약

이 논문은 머리목 CT 영상에서 만성부를 보다 정확하게 분할하기 위해 인코더-디코더 분할 네트워크와 순환 구조를 통합한 순환 합성곱 신경망인 RSegCNN을 제안한다. 인접한 슬라이스 간의 공간 연속성을 활용함으로써, 특히 약한 경계와 금속 잔상에 대해 최신 기술 수준의 성능을 달성하였으며, PDDCA 데이터셋에서 DICE 스코어가 95.10%를 기록하였다.

ABSTRACT

Recently, accurate mandible segmentation in CT scans based on deep learning methods has attracted much attention. However, there still exist two major challenges, namely, metal artifacts among mandibles and large variations in shape or size among individuals. To address these two challenges, we propose a recurrent segmentation convolutional neural network (RSegCNN) that embeds segmentation convolutional neural network (SegCNN) into the recurrent neural network (RNN) for robust and accurate segmentation of the mandible. Such a design of the system takes into account the similarity and continuity of the mandible shapes captured in adjacent image slices in CT scans. The RSegCNN infers the mandible information based on the recurrent structure with the embedded encoder-decoder segmentation (SegCNN) components. The recurrent structure guides the system to exploit relevant and important information from adjacent slices, while the SegCNN component focuses on the mandible shapes from a single CT slice. We conducted extensive experiments to evaluate the proposed RSegCNN on two head and neck CT datasets. The experimental results show that the RSegCNN is significantly better than the state-of-the-art models for accurate mandible segmentation.

연구 동기 및 목표

• 금속 잔상과 높은 해부학적 변동성으로 인한 CT 영상에서의 만성부 분할 정확도 저하 문제를 해결한다.
• 예리하지 못하거나 흐릿한 경계가 있는 영역(예: 관절돌기 및 턱의 뒷부분)에서의 분할 강건성을 향상시킨다.
• 이미지 품질이나 성능을 저하시키지 않은 채 3D 분할의 계산 복잡도를 감소시킨다.
• 임상용 3D 가상 수술 계획에 적합한 종단간 자동 만성부 분할을 가능하게 한다.
• 슬라이스 간 시간(해부학적) 순서 연속성을 활용하여 분할의 구조적 일관성을 향상시킨다.

제안 방법

• 2D U-Net 스타일의 인코더-디코더 분할 네트워크(SegCNN)를 순환 신경망(RNN) 아키텍처에 통합하여 CT 슬라이스 간의 순차적 의존성을 모델링한다.
• 이전 슬라이스로부터의 형태 및 맥락 정보를 우선 정보로 사용하여 현재 슬라이스를 분할함으로써 구조적 일관성을 향상시킨다.
• 분할 정확도와 경계 정밀도를 최적화하기 위해 DICE 손실과 이진 교차 엔트로피(BCE)를 조합한 하이브리드 손실 함수를 적용한다.
• RNN을 통해 2D 슬라이스를 순차적으로 처리하며, 이전 슬라이스의 맥락 정보를 인코딩한 은닉 상태를 유지한다.
• 치열 부위와 같은 저대비 또는 잔상 영향을 받는 영역에서 예측을 안정화시키기 위해 순환 구조를 활용한다.
• 비공개 데이터셋의 109건의 헤드앤넥 CT 스캔과 공개된 PDDCA 데이터셋의 40건의 스캔을 대상으로 종단간 학습을 수행한다.

실험 결과

연구 질문

• RQ1 기존 2D 또는 3D 컨볼루션 신경망과 비교해 볼 때, 순차적 CT 슬라이스에 대한 순환 모델링이 만성부 분할 정확도를 향상시키는가?
• RQ2 RNN 기반 아키텍처가 관절돌기 및 턱의 뒷부분과 같이 경계가 약하거나 흐릿한 영역에서 분할 성능을 얼마나 향상시키는가?
• RQ3 슬라이스 간 형태 일관성을 통합함으로써 치열 부위의 잔상 및 노이즈에 대한 민감도가 감소하는가?
• RQ4 3D 볼륨 네트워크와 비교해 볼 때, 제안된 방법이 계산 복잡도를 감소시키면서도 높은 성능을 유지할 수 있는가?
• RQ5 기준 데이터셋에서 DICE 스코어, 평균 표면 거리(ASD), 95% 허프다우이 거리(95HD) 측면에서 RSegCNN은 최신 기술 수준의 방법들과 비교해 어떻게 성능을 내는가?

주요 결과

• RSegCNN는 PDDCA 데이터셋에서 95.10% (±1.21)의 DICE 스코어를 기록하여 표 3에 나열된 모든 최신 기술 수준의 방법들을 능가하였다.
• 평균 표면 거리(ASD)는 0.1367 mm (±0.0382)로, 대부분의 기준 방법보다 유의미하게 낮아 경계 정확도가 높음을 시사한다.
• 95% 허프다우이 거리(95HD)는 1.356 mm (±0.4487)로, 가장 극단적인 분할 오류를 포괄하는 데 있어 강건성을 입증하였다.
• 시각적 검토 결과, 3D 수술 계획에 핵심적인 영향을 미치는 관절돌기 및 턱의 뒷부분과 같은 도전적인 영역에서 뛰어난 성능을 보였다.
• 제거 실험 결과, RNN 모듈을 제거할 경우 성능 저하가 뚜렷하게 나타나 순환 모델링의 가치를 확인하였다.
• 저대비 및 잔상 영향을 받는 영역에 대해 강력한 일반화 성능을 보였으며, 임상 영상에서 흔히 발생하는 과제에 대한 내성 강도를 입증하였다.