[논문 리뷰] Splenomegaly Segmentation using Global Convolutional Kernels and Conditional Generative Adversarial Networks

Yuankai Huo, Zhoubing Xu외 8명|arXiv (Cornell University)|2017. 12. 02.

Advanced X-ray and CT Imaging참고 문헌 13인용 수 8

한 줄 요약

이 논문은 전이성 비대비의 극단적인 크기와 형태 변화가 있는 MRI 영상에서 비장 분할을 향상시키기 위해 글로벌 컨volution 네트워크(GCN) 생성기와 패치 GAN 판별기로 구성된 조건부 생성 적대 신경망(cGAN)을 갖춘 비장 분할 네트워크(SSNet)를 제안한다. 독립적으로 테스트된 비장비대 환자에 대해 평균 DICE 계수는 0.9260을 기록하였으며, 이는 거짓 음성과 거짓 양성의 수를 크게 감소시킨다.

ABSTRACT

Spleen volume estimation using automated image segmentation technique may be used to detect splenomegaly (abnormally enlarged spleen) on Magnetic Resonance Imaging (MRI) scans. In recent years, Deep Convolutional Neural Networks (DCNN) segmentation methods have demonstrated advantages for abdominal organ segmentation. However, variations in both size and shape of the spleen on MRI images may result in large false positive and false negative labeling when deploying DCNN based methods. In this paper, we propose the Splenomegaly Segmentation Network (SSNet) to address spatial variations when segmenting extraordinarily large spleens. SSNet was designed based on the framework of image-to-image conditional generative adversarial networks (cGAN). Specifically, the Global Convolutional Network (GCN) was used as the generator to reduce false negatives, while the Markovian discriminator (PatchGAN) was used to alleviate false positives. A cohort of clinically acquired 3D MRI scans (both T1 weighted and T2 weighted) from patients with splenomegaly were used to train and test the networks. The experimental results demonstrated that a mean Dice coefficient of 0.9260 and a median Dice coefficient of 0.9262 using SSNet on independently tested MRI volumes of patients with splenomegaly.

연구 동기 및 목표

• 극도로 변화하는 크기와 형태로 인해 MRI 영상에서 비장 분할 시 높은 거짓 양성 및 거짓 음성 비율을 초래하는 문제를 해결하기 위해.
• 딥 러닝을 활용하여 비장비대 감지를 위한 자동 비장 부피 추정을 향상시키기 위해.
• 비대한 비장을 가진 임상에서 확보된 3D T1- 및 T2-강조 MRI 영상에 특화된 강건한 분할 프레임워크를 개발하기 위해.
• 특화된 구성 요소를 갖춘 조건부 GAN을 활용하여 곤경에 처한 해부학적 사례에서 분할 정확도를 향상시키기 위해.

제안 방법

• SSNet 프레임워크는 조건부 생성 적대 신경망(cGAN) 아키텍처를 기반으로 하며, 생성기와 판별기를 사용하여 분할 예측를 정밀하게 보정한다.
• 생성기는 장거리 맥락적 특징을 포착하고 큰 비장에서의 거짓 음성 수를 줄이기 위해 글로벌 컨volution 네트워크(GCN)를 활용한다.
• 판별기는 국소적 이미지의 현실성과 거짓 양성 예측을 억제하기 위해 패치 GAN 아키텍처를 사용한다.
• 네트워크는 비장비대 환자로부터 확보한 3D MRI 영상 코hort에서 엔드 투 엔드로 훈련된다. 이는 T1- 및 T2-강조 영상 시퀀스를 포함한다.
• 손실 함수는 분할 정확도와 시각적 품질의 균형을 맞추기 위해 최적화되며, 생성기는 재구성 오차를 최소화하고, 판별기는 진짜와 가짜 분할 출력을 구분한다.
• 훈련은 적대적 손실과 L1 손실의 조합을 통해 수행되어 훈련 안정성과 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 GCN 생성기를 갖춘 cGAN 기반 프레임워크는 MRI 영상에서 비정상적으로 큰 비장에서 거짓 음성 분할을 효과적으로 줄일 수 있는가?
• RQ2 패치 GAN 판별기는 비장 분할에서 거짓 양성 예측을 최소화하는 데 어떻게 기여하는가?
• RQ3 GCN를 통한 전역 맥락 모델링의 통합이 극도로 비장 크기와 형태 변화가 있는 경우 분할 정확도를 얼마나 향상시키는가?
• RQ4 제안된 SSNet는 임상에서 확보된 3D MRI 영상에서 비장비대를 보이는 표준 DCNN 기반 분할 모델보다 우수한 성능을 보이는가?

주요 결과

• SSNet는 비장비대 환자로부터 독립적으로 테스트한 MRI 볼륨에서 평균 DICE 계수 0.9260을 달성하였다.
• 테스트 세트 전반의 중앙값 DICE 계수는 0.9262로, 분할 성능의 높은 일관성을 나타낸다.
• GCN 생성기의 사용은 특히 매우 큰 비장을 가진 경우에서 거짓 음성 비율을 크게 감소시켰다.
• 패치 GAN 판별기는 거짓 양성 예측을 효과적으로 억제하여 국소화 정확도를 향상시켰다.
• 모델은 임상 코hort 내 T1-강조 및 T2-강조 MRI 시퀀스 전반에서 강건한 성능을 보였다.
• 결과는 전역 맥락 모델링과 적대적 훈련의 조합이 곤경스러운 Abdominal 영상 상황에서 분할 신뢰도를 향상시킨다는 것을 시사한다.