[논문 리뷰] Towards Automatic Abdominal Multi-Organ Segmentation in Dual Energy CT using Cascaded 3D Fully Convolutional Network

Shuqing Chen, Holger R. Roth외 8명|arXiv (Cornell University)|2017. 10. 15.

Advanced X-ray and CT Imaging참고 문헌 5인용 수 29

한 줄 요약

이 논문은 이중에너지 CT(DECT)에서 자동 다기관 분할을 위한 계단식 3D 완전 컨volution 네트워크(FCN)를 제안한다. 선형 가중치(α)를 통한 사전 처리된 혼합 DECT 영상과 단일 에너지 CT에서 훈련된 일반적인 3D U-Net 모델의 미세조정을 활용한다. 이 방법은 간에 대해 평균 93%의 Dice 점수, 비장에 대해 90%, 오른쪽 신장에 대해 91%, 왼쪽 신장에 대해 89%를 기록하여 임상적 DECT 적용에 대한 타당성과 강건성을 입증한다.

ABSTRACT

Automatic multi-organ segmentation of the dual energy computed tomography (DECT) data can be beneficial for biomedical research and clinical applications. However, it is a challenging task. Recent advances in deep learning showed the feasibility to use 3-D fully convolutional networks (FCN) for voxel-wise dense predictions in single energy computed tomography (SECT). In this paper, we proposed a 3D FCN based method for automatic multi-organ segmentation in DECT. The work was based on a cascaded FCN and a general model for the major organs trained on a large set of SECT data. We preprocessed the DECT data by using linear weighting and fine-tuned the model for the DECT data. The method was evaluated using 42 torso DECT data acquired with a clinical dual-source CT system. Four abdominal organs (liver, spleen, left and right kidneys) were evaluated. Cross-validation was tested. Effect of the weight on the accuracy was researched. In all the tests, we achieved an average Dice coefficient of 93% for the liver, 90% for the spleen, 91% for the right kidney and 89% for the left kidney, respectively. The results show our method is feasible and promising.

연구 동기 및 목표

• 이중에너지 CT(DECT)에서의 자동 다기관 분할 과제를 해결하기 위해 조직의 변동성, 연조직의 변형 및 스펙트럼 차이로 인해 복잡한 문제를 다루는 것.
• 기관 또는 에너지에 특화된 사전 지식이 필요 없이 단일 에너지 CT(SECT)에서 훈련된 딥 러닝 기반 3D 완전 컨volution 네트워크(FCNs)를 DECT 데이터에 적응시키는 것.
• 선형 혼합 가중치 α가 분할 정확도에 미치는 영향을 평가하고, 다양한 Abdominal 기관에 최적의 α 값을 도출하는 것.
• 임상 데이터를 사용하여 DECT 다기관 분할에 대해 계단식 3D FCN 접근법의 타당성과 강건성을 입증하는 것.

제안 방법

• 선형 가중치를 사용하여 혼합 영상 생성: $ I_{\text{mix}} = \alpha \cdot I_{\text{low}} + (1-\alpha) \cdot I_{\text{high}} $, 여기서 α는 혼합 가중치이다.
• 혼합 영상의 임계값 처리를 통해 이진 피부 마스크를 생성하여 해부학적 관심 영역을 정의한다.
• 이중 단계, 계단식 3D U-Net 아키텍처를 사용: 첫 번째 단계는 거친 관심 영역(ROI)을 예측하고, 두 번째 단계는 최종 분할을 정밀 조정한다.
• SECT 데이터에서 사전 훈련된 일반적인 3D U-Net 모델을 DECT 혼합 영상으로 사용하여 새로운 모odal로 적응시키기 위해 미세조정한다.
• 예측값과 진짜 레이블 간의 바이트별 소프트맥스 교차 엔트로피 손실을 사용하여 네트워크를 훈련한다.
• 42건의 임상적 DECT 스캔에서 이중 소스 CT 시스템을 사용하여 훈련, 검증, 테스트에 대해 5:1:1 무작위 분할을 적용한다.

실험 결과

연구 질문

• RQ1 SECT 데이터에서 훈련된 계단식 3D FCN가 기관 또는 에너지에 특화된 사전 지식 없이 DECT에서의 다기관 분할에 효과적으로 미세조정될 수 있는가?
• RQ2 사전 처리된 혼합 영상에서의 선형 혼합 가중치 α가 다양한 복부 기관의 분할 정확도에 미치는 영향은 어떠한가?
• RQ3 각 기관의 분할 성능을 최대화하기 위해 훈련 및 테스트에 최적의 α 값을 도출할 수 있는가?
• RQ4 훈련과 테스트 시 α 값이 일치할 경우, 불일치하는 조합에 비해 분할 정확도가 향상되는가?
• RQ5 환자 스캔에서의 질병 상태(예: 종양)가 분할 성능에 영향을 미치는가?

주요 결과

• 모든 교차 검증 폴드에서 평균 Dice 계수는 간에 대해 93%, 비장에 대해 90%, 오른쪽 신장에 대해 91%, 왼쪽 신장에 대해 89%를 기록했다.
• 간의 최고 Dice 점수(93.3%)는 α_training = 0.9 및 α_test = 0.9일 때 달성되었으며, 이는 고대비, 저에너지 유사 영상에서 더 뛰어난 성능을 보임을 시사한다.
• 비장 분할은 α_training = 0.6 및 α_test = 0.6일 때 가장 정확했으며(Dice = 0.899), 이는 최적의 SNR 및 대비 균형을 의미한다.
• 왼쪽 신장은 α = 0.9로 훈련하고 테스트했을 때 가장 우수한 분할 성능(Dice = 0.892)을 보였고, 오른쪽 신장은 α = 0.9-0.9에서 최고 성능(Dice = 0.905)을 기록했다.
• α_training = 0.9 및 α_test = 0.6 조합이 비장 분할에서 최고 성능(Dice = 0.900)을 보였으며, 이는 기관별 최적의 α 값이 존재함을 시사한다.
• 고대비 영상(α = 0.9)에서 훈련된 모델이 저대비 테스트 영상(α = 0.3)을 분할하는 것이 반대의 경우보다 성능이 뛰어나, 대비 불일치에 대해 강건함을 입증했다.