[논문 리뷰] Towards Robust Lung Segmentation in Chest Radiographs with Deep Learning

Jyoti Islam, Yanqing Zhang|arXiv (Cornell University)|2018. 11. 30.

COVID-19 diagnosis using AI참고 문헌 9인용 수 20

한 줄 요약

이 논문은 데이터 증강과 스킵 연결을 활용하여 흉부 X선에서 신뢰성 있는 폐 세분화를 위한 U-Net 기반 딥러닝 모델을 제안한다. 이 방법은 공개 데이터셋에서 98.6%의 DICE 스코어를 달성하여 이전 최고 성능 방법들을 능가한다.

ABSTRACT

Automated segmentation of Lungs plays a crucial role in the computer-aided diagnosis of chest X-Ray (CXR) images. Developing an efficient Lung segmentation model is challenging because of difficulties such as the presence of several edges at the rib cage and clavicle, inconsistent lung shape among different individuals, and the appearance of the lung apex. In this paper, we propose a robust model for Lung segmentation in Chest Radiographs. Our model learns to ignore the irrelevant regions in an input Chest Radiograph while highlighting regions useful for lung segmentation. The proposed model is evaluated on two public chest X-Ray datasets (Montgomery County, MD, USA, and Shenzhen No. 3 People's Hospital in China). The experimental result with a DICE score of 98.6% demonstrates the robustness of our proposed lung segmentation approach.

연구 동기 및 목표

• 해부학적 변동성과 영상 잡음에 영향을 받더라도 정확한 폐 세분화를 위한 강건한 딥러닝 모델을 개발하는 것.
• 끝에서 끝까지 학습하는 방식을 통해 갈비뼈 가장자리, 일관되지 않은 폐 모양, 폐 꼬리부위의 존재와 같은 과제를 해결하는 것.
• 효과적인 데이터 증강과 최적화된 네트워크 아키텍처를 통해 세분화 성능을 향상시키는 것.
• 몽고메리와 셴젠과 같은 다양한 공개 데이터셋에서 모델을 평가하여 일반화 능력을 확보하는 것.

제안 방법

• 제안된 모델는 수축 경로와 팽창 경로를 결합하고 스킵 연결을 통해 공간적 세부 정보를 유지하는 U-Net 아키텍처를 기반으로 한다.
• 입력 이미지는 512×512로 리사이징되고, 줌, 자르기, 수평 뒤집기, 이동 증강을 사용하여 훈련 데이터의 다양성을 높인다.
• 모델은 기본 학습률 0.0005, 배치 크기 4, 200 에포크로 Adam 옵timizer를 사용하여 훈련된다.
• 정답 마스크는 좌우 폐 주석을 결합하고, 세분화 경계를 향상시키기 위해 형태학적 팽창을 적용하여 사전 처리된다.
• 세분화 성능을 최적화하기 위해 이진 교차 엔트로피 손실 함수를 사용한다.
• 엔코더와 디코더 레이어 간의 스킵 연결을 통해 고해상도 특징을 유지하여 정밀한 국소화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 U-Net 기반 딥러닝 모델은 다양한 병변을 포함한 다양한 흉부 X선 데이터셋에서 강건한 폐 세분화를 달성할 수 있는가?
• RQ2 데이터 증강은 자원이 제한된 의료 영상 환경에서 폐 세분화 모델의 일반화 능력과 성능에 어떤 영향을 미치는가?
• RQ3 스킵 연결과 아키텍처 설계 선택이 표준 CNN에 비해 세분화 정확도를 얼마나 향상시키는가?
• RQ4 제안된 모델은 다양한 해부학적 및 병리학적 변동성이 있는 정상 및 비정상 X선 영상에서 높은 성능을 유지하는가?

주요 결과

• 제안된 모델은 98.6%의 DICE 스코어를 달성하여 이전 최고 성능 방법인 ED-CNN(97.4%)과 FCN(97.7%)을 크게 능가한다.
• 데이터 증강은 DICE 스코어를 2.2% 향상시키며, 이는 모델의 강건성 향상에 있어 핵심적인 역할을 한다는 것을 보여준다.
• 예측 마스크와 수동 정답을 비교한 정성적 결과에서 복수의 실행에 걸쳐 일관된 세분화 성능을 유지함을 확인할 수 있다.
• 잔차 블록 기반의 스킵 연결은 성능 향상에 기여하지 않아 최종 아키텍처에서 제외되었다.
• 몽고메리 카운티와 셴젠 병원에서 온 다양한 지리적 및 임상적 기원을 가진 데이터셋 간에도 모델이 잘 일반화됨을 확인하였다.
• 세분화 결과는 특히 폐 꼬리부위와 어깨 아래 부위와 같은 도전적인 영역에서 수동 주석과 높은 겹침을 보였다.