[논문 리뷰] Structure and position-aware graph neural network for airway labeling

Weiyi Xie, Colin Jacobs외 2명|arXiv (Cornell University)|2022. 01. 12.

Chronic Obstructive Pulmonary Disease (COPD) Research인용 수 4

한 줄 요약

이 논문은 CT 영상에서 기도 분할을 자동으로 수행하기 위해 구조 및 위치 인식 그래프 신경망(SPGNN)을 제안한다. 이는 앵커 기반 거리 인코딩을 사용해 위상적 구조와 위치 관계를 모두 인코딩하는 GNN과 CNN으로 추출한 특징을 결합한다. 제안된 방법은 18개의 기도 분지에서 평균 정확도 91.18%를 달성하여 기준 CNN(83.83%)과 구조 전용 GNN보다 유의하게 뛰어나다.

ABSTRACT

We present a novel graph-based approach for labeling the anatomical branches of a given airway tree segmentation. The proposed method formulates airway labeling as a branch classification problem in the airway tree graph, where branch features are extracted using convolutional neural networks (CNN) and enriched using graph neural networks. Our graph neural network is structure-aware by having each node aggregate information from its local neighbors and position-aware by encoding node positions in the graph. We evaluated the proposed method on 220 airway trees from subjects with various severity stages of Chronic Obstructive Pulmonary Disease (COPD). The results demonstrate that our approach is computationally efficient and significantly improves branch classification performance than the baseline method. The overall average accuracy of our method reaches 91.18\% for labeling all 18 segmental airway branches, compared to 83.83\% obtained by the standard CNN method. We published our source code at https://github.com/DIAGNijmegen/spgnn. The proposed algorithm is also publicly available at https://grand-challenge.org/algorithms/airway-anatomical-labeling/.

연구 동기 및 목표

• 고도로 변동성이 큰 해부학적 구조와 분할 노이즈가 존재하는 상황에서 CT 영상 내 기도 수관의 정확한 해부학적 레이블링 문제를 해결하기 위해.
• 동일한 이웃을 가진 대칭적인 노드를 구분하지 못하는 기존의 구조 인식 전용 그래프 기반 방법의 한계를 개선하기 위해.
• 위계적 순서와 형제 분지와 같은 위상적 관계를 더 잘 포착하기 위해 그래프 신경망에 위치 정보를 통합하기 위해.
• 다양한 COPD 중증도 단계에 걸쳐 잘 일반화되는 계산 효율성이 높고 엔드 투 엔드로 훈련 가능한 방법을 개발하기 위해.
• 더 넓은 의료 영상 분석 작업에 적용 가능한 공개 가능하고 재사용 가능한 기도 레이블링 솔루션을 제공하기 위해.

제안 방법

• 기법은 각 노드가 분할된 기도 수관 내 분지 하나를 나타내는 그래프에서의 노드 분류 문제로 기도 레이블링을 공식화한다.
• 컨volutional 신경망(CNNs)이 3D 기도 세그먼트에서 시각적 특징을 추출하며, 이를 그래프 내 초기 노드 특징으로 사용한다.
• 기존의 구조 인식 전용 GNN과는 달리, 사전 정의된 앵커 분지로부터의 위상적 거리를 사용해 위치 정보를 인코딩하는 새로운 그래프 신경망(GNN) 아키텍처를 제안한다.
• 그래프 어텐션 메커니즘을 사용해 이웃 노드로부터의 메시지를 집계함으로써, 구조적 및 위치적 관련성에 따라 유연하게 가중치를 적용하는 기능을 가능하게 한다.
• 깊은 아키텍처에서의 과도한 스무딩 문제를 완화하기 위해 GNN에 스킵 연결을 통합함으로써 훈련 안정성과 성능을 향상시켰다.
• 최종 노드 표현은 분류 헤드를 사용해 각 기도 분지의 해부학적 레이블을 예측하는 데 사용된다.

실험 결과

연구 질문

• RQ1 GNN에 위치 인코딩을 통합하면 대칭적인 구조를 가진 기도 수관에서 노드 분류 성능을 향상시킬 수 있는가?
• RQ2 다양한 COPD 표현형에서 제안된 SPGNN은 표준 CNN 및 구조 전용 GNN과 비교해 레이블링 정확도에서 어떤가?
• RQ3 GNN 아키텍처에 스킵 연결을 통합하면 깊은 그래프 네트워크에서 과도한 스무딩을 어느 정도 완화하고 성능 향상에 기여하는가?
• RQ4 앵커 기반 위치 인코딩을 사용하면 형제 분지와 위계적 관계를 더 잘 구분할 수 있는가?
• RQ5 제안된 방법은 다양한 기도 수관 위상과 분할 잡음에 대해 잘 일반화되는가?

주요 결과

• SPGNN은 18개의 기관 분지에서 전체 평균 정확도 91.18%를 달성하였으며, 기준 CNN 방법(83.83%)보다 유의미하게 뛰어나다.
• SPGNN은 형제 관계를 정확히 식별하는 데 뛰어난 성능를 보였으며, 예를 들어 LB3와 LB5를 형제로 올바르게 레이블링한 반면, GATS 및 CNN 방법은 이를 실패했다.
• 해부학적 변동성과 컨volutional 특징의 모호성으로 인해 자주 혼동되는 분지들, 예를 들어 RB1과 LB10의 오분류를 줄였다.
• 이 데이터셋에서 그래프 어텐션 네트워크(GATs)가 다른 GNN 아키텍처보다 성능이 뛰어나며, 스킵 연결은 깊은 모델에서 성능 안정성을 향상시켰다.
• SPGNN은 최소한의 계산 오버헤드로 최신 기술 수준의 성능를 달성하여 임상 적용에 적합하다.
• 훈련 및 테스트 분할 간 일관된 성능를 보이며, 다양한 COPD 중증도 단계에서 잘 일반화됨을 입증했다.