[논문 리뷰] RUN:Residual U-Net for Computer-Aided Detection of Pulmonary Nodules without Candidate Selection

Tian Lan, Yuanyuan Li외 3명|arXiv (Cornell University)|2018. 05. 30.

Lung Cancer Diagnosis and TreatmentMedicine참고 문헌 25인용 수 20

한 줄 요약

이 논문은 후보 선택이 필요 없이 저선량 CT 스캔에서 폐 결절을 종단 간, 단일 단계로 검출할 수 있도록 하는 잔차 U-Net 아키텍처인 RUN을 제안한다. U-Net의 인코더-디코더 구조에 잔차 학습을 통합함으로써 RUN은 LUNA16 데이터셋에서 스캔당 2개의 가짜 양성 결과에서 90.90%의 민감도를 달성하여 최신 기술을 능가한다.

ABSTRACT

The early detection and early diagnosis of lung cancer are crucial to improve the survival rate of lung cancer patients. Pulmonary nodules detection results have a significant impact on the later diagnosis. In this work, we propose a new network named RUN to complete nodule detection in a single step by bypassing the candidate selection. The system introduces the shortcut of the residual network to improve the traditional U-Net, thereby solving the disadvantage of poor results due to its lack of depth. Furthermore, we compare the experimental results with the traditional U-Net. We validate our method in LUng Nodule Analysis 2016 (LUNA16) Nodule Detection Challenge. We acquire a sensitivity of 90.90% at 2 false positives per scan and therefore achieve better performance than the current state-of-the-art approaches.

연구 동기 및 목표

• 폐 결절 검출에서 후보 선택이 필요 없는 딥 러닝 프레임워크를 개발하는 것.
• U-Net의 깊이와 훈련 안정성을 향상시켜 소형 및 크기가 다양한 결절의 검출 정확도를 향상시키는 것.
• 단일 통합 네트워크를 사용하여 볼륨형 CT 스캔에서 종단 간 결절 검출을 직접 구현하는 것.
• LUNA16 벤치마크에서 방법을 검증하고, 낮은 가짜 양성 비율에서 높은 민감도를 통해 임상적 관련성을 입증하는 것.

제안 방법

• 잔차 학습 블록을 U-Net의 인코더-디코더 아키텍처에 통합하여 더 깊은 네트워크 훈련을 가능하게 하고 기울기 소실 문제를 완화하는 것.
• 잔차 네트워크의 스킵 연결(단축 경로)을 사용하여 특징 맵을 유지하고 역전파 동안 기울기 흐름을 향상시키는 것.
• 패치를 자르는 대신 전체 CT 슬라이스를 입력으로 사용하여 공간적 맥락을 유지하고 공간 정보 손실로 인한 가짜 양성 결과를 줄이는 것.
• 공간적 맥락이 검출 성능에 미치는 영향을 평가하기 위해 단일 슬라이스 및 다중 슬라이스 입력을 사용하는 다중 척도 훈련 전략을 채택하는 것.
• 분류 및 국소화 최적화를 위해 교차 엔트로피 손실과 Dice 계수를 사용하여 네트워크를 종단 간으로 훈련하는 것.
• 노이즈 감소, 임계값 및 형태학적 연산을 통한 기관 분할, 이미지 정규화와 같은 사전 처리 단계를 적용하는 것.

실험 결과

연구 질문

• RQ1 잔차 U-Net 아키텍처가 소형 및 크기가 다양한 폐 결절 검출에서 표준 U-Net보다 우월한가?
• RQ2 후보 선택 단계를 제거하면 검출 성능이 향상되고 CAD 파이프라인은 간소화되는가?
• RQ3 패치 기반 입력 대비 전체 슬라이스 입력을 사용할 경우 민감도와 가짜 양성 비율에 어떤 영향을 미치는가?
• RQ4 U-Net에 잔차 학습을 통합하면 어려운 결절에 대해 분할 정확도와 일반화 능력이 크게 향상되는가?

주요 결과

• RUN은 LUNA16 데이터셋에서 스캔당 2개의 가짜 양성 결과에서 90.90%의 민감도를 달성하여 현재 최신 기술을 능가했다.
• 표준 U-Net(66%) 대비 6% 향상된 Dice 계수(71.9%)를 기록하여 더 나은 분할 성능를 나타냈다.
• 소형 결절에 대해 표준 U-Net과 이중 경로 잔차 U-Net보다 분할 정확도에서 뛰어난 성능를 보였다.
• 스캔당 0.11개의 가짜 양성 결과에서 79.05%의 민감도를 기록하여 낮은 가짜 양성 비율에서도 뛰어난 성능를 보였다.
• 다중 슬라이스 훈련은 공간적 맥락 인식 능력을 향상시켰지만, 매우 작은 결절에 대해서는 잘못된 학습 위험이 있었으며, 이는 크기에 따라 슬라이스 선택을 적응시킬 필요가 있음을 시사한다.