[논문 리뷰] SegTHOR: Segmentation of Thoracic Organs at Risk in CT images

Zoé Lambert, Caroline Petitjean외 2명|arXiv (Cornell University)|2019. 12. 12.

Advanced Neural Network Applications참고 문헌 18인용 수 10

한 줄 요약

이 논문은 방사선 치료 계획을 위해 흉부 CT 스캔 60건의 수동 윤곽선을 포함하는 공개 데이터셋인 SegTHOR를 소개한다. 심장, 기관지, 대동맥,食도 등 4개 방사선 감수성 기관(OAR)에 대해 제공된다. 드롭아웃과 이중선형 보간을 사용한 단순화된 U-Net 아키텍처를 활용하여, 심장에 대해 0.93의 Dice 점수와 기관지에 대해 0.86의 점수를 기록하였다. 특히 지표가 있는 슬라이스에 대해서만 평가했을 때의 성능 향상은 작은 크기이자 저대trast 기관인 식도의 분할 정확도 향상 여지를 드러내었다.

ABSTRACT

In the era of open science, public datasets, along with common experimental protocol, help in the process of designing and validating data science algorithms; they also contribute to ease reproductibility and fair comparison between methods. Many datasets for image segmentation are available, each presenting its own challenges; however just a very few exist for radiotherapy planning. This paper is the presentation of a new dataset dedicated to the segmentation of organs at risk (OARs) in the thorax, i.e. the organs surrounding the tumour that must be preserved from irradiations during radiotherapy. This dataset is called SegTHOR (Segmentation of THoracic Organs at Risk). In this dataset, the OARs are the heart, the trachea, the aorta and the esophagus, which have varying spatial and appearance characteristics. The dataset includes 60 3D CT scans, divided into a training set of 40 and a test set of 20 patients, where the OARs have been contoured manually by an experienced radiotherapist. Along with the dataset, we present some baseline results, obtained using both the original, state-of-the-art architecture U-Net and a simplified version. We investigate different configurations of this baseline architecture that will serve as comparison for future studies on the SegTHOR dataset. Preliminary results show that room for improvement is left, especially for smallest organs.

연구 동기 및 목표

• 방사선 치료 분야에서 흉부 방사선 감수성 기관(OAR) 분할을 위한 공개 가능하고 표준화된 데이터셋의 부족 문제를 해결하기 위해.
• 심장, 기관지, 대동맥, 식도 등 4개의 핵심 OAR에 대해 고품질 수동 윤곽선을 포함한 기준 데이터셋을 제공하기 위해.
• SegTHOR 데이터셋에서 최신 기술과 단순화된 U-Net 아키텍처를 활용해 기초 성능 수준을 확립하기 위해.
• 방사선 치료 적용 분야의 의료 영상 분할 연구에서 공정한 비교와 재현 가능성을 보장하기 위해.
• 낮은 대trast와 작은 크기를 지닌 기관(예: 식도)의 분할 과제를 특정하고, 정확한 용량 계획 수립에 필수적인 기관의 분할 정확도 향상 여지를 규명하기 위해.

제안 방법

• SegTHOR 데이터셋은 폐암 및 호드킨병 환자로부터 확보한 60개의 3D CT 스캔으로 구성되며, 슬라이스 수(150~284장)와 해상도(정면 해상도 0.90~1.37 mm, 슬라이스 두께 2~3.7 mm)가 다양하다.
• OAR의 수동 분할은 경험이 풍부한 방사선 치료 전문의가 SomaVision 플랫폼을 사용하여 임상 지침에 따라 윤곽선을 정의하였다.
• 기초 모델은 드롭아웃 정규화와 두 가지 보간 전략(역전치 컨볼루션 및 이중선형 보간)을 적용한 단순화된 U-Net(sU-Net) 아키텍처를 사용하여 학습하였다.
• 분할 성능 평가에는 Dice 계수와 평균 Hausdorff 거리(AHD)를 사용하였으며, 전체 데이터셋과 지표가 있는 부분집합에 대해 결과를 비교하였다.
• 지표가 없는 영역에서의 잘못된 레이블링 영향을 분석하기 위해 원본 및 제한된 슬라이스 범위에서 평가를 수행하였다.
• Codalab 플랫폼에 새로운 평가 프로토콜을 도입하여 두 가지 평가 모드를 지원: 전체 슬라이스 모드와 지표만 있는 슬라이스 모드.

실험 결과

연구 질문

• RQ1 지표가 있는 슬라이스에 대해서만 평가할 경우, SegTHOR 데이터셋에서 모델 성능이 전체 슬라이스에 대해 평가했을 때와 어떻게 다를까?
• RQ2 아키텍처 단순화와 드롭아웃 정규화가 작은 크기이자 저대trast인 흉부 OAR의 분할 정확도에 어떤 영향을 미치는가?
• RQ3 역전치 컨볼루션과 이중선형 보간 중 어떤 보간 방법이 이 분할 작업에서 더 높은 성능과 효율성을 제공하는가?
• RQ4 네트워크 깊이와 특징 맵 수의 선택이 일반화에 어떤 영향을 미치며, 특히 해부학적 변이가 높은 기관인 식도의 경우 어떻게 영향을 미치는가?
• RQ5 SegTHOR에서의 기초 성능 결과는 최신 기술 모델과 비교해 볼 때 어떻게 평가되며, 핵심 OAR에 대해 여전히 남아 있는 성능 격차는 무엇인가?

주요 결과

• 드롭아웃과 이중선형 보간을 적용한 단순화된 U-Net는 전체 데이터셋에서 심장에 대해 0.93 ± 0.03의 Dice 점수, 기관지에 대해 0.86 ± 0.04의 점수를 기록하였다.
• 식도의 경우 전체 데이터셋에서 0.81 ± 0.06의 Dice 점수를 기록하였고, 지표가 있는 슬라이스에 대해서만 평가했을 때는 0.83 ± 0.06으로 향상되었다.
• 기본 지표가 있는 슬라이스로 제한했을 때 기관지의 평균 Hausdorff 거리(AHD)는 1.08 ± 0.85에서 0.15 ± 0.09로 크게 감소하여 공간 정확도 향상이 확인되었다.
• 대동맥은 전체 데이터셋에서 0.92 ± 0.02의 Dice 점수와 0.52 ± 0.66의 AHD를 기록하였고, 제한된 집합에서는 각각 0.93 ± 0.02와 0.19 ± 0.31로 향상되었다.
• 이중선형 보간은 Dice 점수와 AHD 모두에서 역전치 컨볼루션을 앞서며, 계산 비용이 낮아 더 선호되었다.
• 본 연구는 식도가 저대trast와 높은 해부학적 변이로 인해 여전히 가장 도전적인 구조로 간주되며, 분할 정확도 향상을 위한 상당한 개선 여지가 있음을 규명하였다.