[논문 리뷰] Shape-Aware Organ Segmentation by Predicting Signed Distance Maps

Yuan Xue, Hui Tang외 7명|arXiv (Cornell University)|2019. 12. 09.

Advanced Neural Network Applications참고 문헌 27인용 수 13

한 줄 요약

이 논문은 조직 분할을 위한 새로운 3D 딥러닝 프레임워크를 제안하며, 서명 거리 맵(SDM)과 이진 분할 맵을 동시에 예측함으로써 SDM의 형태 정규화 성질을 활용하여 분할의 부드러움과 정확도를 향상시킵니다. 유연한 히브리드 함수와 새로운 회귀 손실을 사용하여 3D U-Net 기반 모델을 훈련시킴으로써, 해마 및 두부·경부 분할 데이터셋에서 최신 기술 수준의 성능을 달성하였으며, 하우스도르프 거리와 평균 표면 거리를 크게 감소시키고, Dice 스코어를 5% 이상 향상시켰습니다.

ABSTRACT

In this work, we propose to resolve the issue existing in current deep learning based organ segmentation systems that they often produce results that do not capture the overall shape of the target organ and often lack smoothness. Since there is a rigorous mapping between the Signed Distance Map (SDM) calculated from object boundary contours and the binary segmentation map, we exploit the feasibility of learning the SDM directly from medical scans. By converting the segmentation task into predicting an SDM, we show that our proposed method retains superior segmentation performance and has better smoothness and continuity in shape. To leverage the complementary information in traditional segmentation training, we introduce an approximated Heaviside function to train the model by predicting SDMs and segmentation maps simultaneously. We validate our proposed models by conducting extensive experiments on a hippocampus segmentation dataset and the public MICCAI 2015 Head and Neck Auto Segmentation Challenge dataset with multiple organs. While our carefully designed backbone 3D segmentation network improves the Dice coefficient by more than 5% compared to current state-of-the-arts, the proposed model with SDM learning produces smoother segmentation results with smaller Hausdorff distance and average surface distance, thus proving the effectiveness of our method.

연구 동기 및 목표

• 2D 슬라이스 간의 수동 레이블링이 일관성 없이 이루어지는 3D에서의 딥러닝 기반 조직 분할의 형태 인식 부족과 부드러움 부족 문제를 해결합니다.
• 노이즈가 많거나 희소한 레이블링으로 인해 경계가 불규칙하거나 끊어지는 전통적 분할 네트워크의 한계를 극복합니다.
• 직접적인 서명 거리 맵(SDM)의 회귀를 통해 유연한 형태 인식 정규화를 도입하여 전역적인 구조 일관성을 강화합니다.
• 유연한 히브리드 함수를 사용하여 분할 맵과 SDM을 공동으로 훈련시킴으로써 분할 성능을 향상시킵니다.
• 제안된 방법이 단일 조직(해마)과 다중 조직(두부 및 경부) 분할 작업 모두에서 효과적임을 입증합니다.

제안 방법

• 조직의 형태와 크기 변화를 더 잘 포착하기 위해 확장된 수신장과 더 깊은 아키텍처를 갖춘 3D U-Net 기반 백본 네트워크를 제안합니다.
• 모델을 이진 분할 맵과 서명 거리 맵(SDM)을 동시에 예측하는 공동 학습 프레임워크로 훈련시킵니다.
• 역전파 동안 예측된 SDM을 분할 맵으로 변환하기 위해 히브리드 단계 함수의 유연한 근사치를 사용합니다.
• 예측된 SDM의 정확도가 떨어질 경우 기울기를 강화하는 새로운 회귀 손실 함수를 도입하여 훈련의 안정성과 수렴성을 향상시킵니다.
• SDM과 이진 분할 맵 간의 엄밀한 수학적 매핑을 활용합니다: 점이 기관 내부에 있으면 SDM < 0, 외부이면 SDM > 0입니다.
• 추론 시 히브리드 함수를 적용하여 예측된 SDM을 최종 분할 출력으로 변환합니다.

실험 결과

연구 질문

• RQ1 직접적인 서명 거리 맵(SDM)의 회귀가 3D 의료 영상에서 딥러닝 기반 조직 분할의 형태 일관성과 부드러움을 향상시키는가?
• RQ2 유연한 히브리드 함수를 사용한 분할 맵과 SDM의 공동 훈련이 단독으로 분할 맵만 훈련하는 것과 비교해 분할 성능에 어떤 영향을 미치는가?
• RQ3 제안된 회귀 손실이 SDM 예측의 수렴성과 정확도 측면에서 표준 L1 손실보다 뛰어나게 작용하는가?
• RQ4 SDM 학습이 소형(예: 해마)과 대형(예: 턱뼈) 기관 모두에서 분할 성능 향상에 어느 정도 기여하는가?
• RQ5 제안된 방법이 MICCAI 2015 두부 및 경부 데이터셋과 같이 크기와 형태가 다양한 다중 기관 분할 작업에 일반화 가능한가?

주요 결과

• MICCAI 2015 다기관 데이터셋에서 제안된 방법은 평균 하우스도르프 거리(HD) 5.07 mm와 평균 표면 거리(ASD) 0.39 mm를 기록하여, Dice 손실을 사용하는 기준 백본보다 뚜렷이 뛰어난 성능을 보였습니다.
• 해마 데이터셋에서 제안된 모델은 최신 기술 수준의 방법보다 Dice 계수를 5% 이상 향상시켜 뛰어난 분할 정확도를 입증했습니다.
• SDM과 분할 맵 학습을 공동으로 수행한 결과, Dice 손실만으로 훈련한 경우에 비해 HD는 4.48 mm, ASD는 0.86 mm 감소했습니다.
• 정성적 결과에서는 예측된 SDM에서 유도된 분할 맵이 기존 표준 모델에 비해 특히 3D에서 훨씬 더 부드럽고 기관 형태를 잘 유지하는 것으로 나타났습니다.
• 제거 실험을 통해 제안된 회귀 손실이 오차에 대해 더 큰 기울기 크기를 유도하여 L1 손실보다 더 안정적이고 효과적인 훈련을 가능하게 함을 확인했습니다.
• 교차로와 같은 소형 기관의 도전 과제에도 불구하고, 방법은 전체 형태를 유지하고 기관 간 일관된 SDM을 생성하여 강력한 일반화 잠재력을 보여주었습니다.