[논문 리뷰] Towards Single-phase Single-stage Detection of Pulmonary Nodules in Chest CT Imaging

Zhongliu Xie|arXiv (Cornell University)|2018. 07. 16.

Lung Cancer Diagnosis and Treatment인용 수 8

한 줄 요약

이 논문은 3D 흉부 CT 스캔에서 폐 결절의 엔드 투 엔드 검출을 위한 단일 단계, 단일 단계 딥러닝 프레임워크를 제안한다. RReLU 활성화 함수를 사용하고, 극심한 클래스 불균형 문제를 해결하기 위해 새로운 앵커 기반 패치 샘플링 전략을 도입한 수정된 ResNet-FPN 아키텍처를 사용한다. 이 방법은 기존의 이단계적 접근 방식보다 정확도와 추론 속도 모두에서 뛰어난 성능을 보이며, 스캔당 35초의 추론 시간으로 [1, 2, 4] false positives per scan 기준 FROC 점수 0.9767을 달성하여 최신 기술 수준에 도달했다.

ABSTRACT

Detection of pulmonary nodules in chest CT imaging plays a crucial role in early diagnosis of lung cancer. Manual examination is highly time-consuming and error prone, calling for computer-aided detection, both to improve efficiency and reduce misdiagnosis. Over the years, a range of systems have been proposed, mostly following a two-phase paradigm with: 1) candidate detection, 2) false positive reduction. Recently, deep learning has become a dominant force in algorithm development. As for candidate detection, prior art was mainly based on the two-stage Faster R-CNN framework, which starts with an initial sub-net to generate a set of class-agnostic region proposals, followed by a second sub-net to perform classification and bounding-box regression. In contrast, we abandon the conventional two-phase paradigm and two-stage framework altogether and propose to train a single network for end-to-end nodule detection instead, without transfer learning or further post-processing. Our feature learning model is a modification of the ResNet and feature pyramid network combined, powered by RReLU activation. The major challenge is the condition of extreme inter-class and intra-class sample imbalance, where the positives are overwhelmed by a large negative pool, which is mostly composed of easy and a handful of hard negatives. Direct training on all samples can seriously undermine training efficacy. We propose a patch-based sampling strategy over a set of regularly updating anchors, which narrows sampling scope to all positives and only hard negatives, effectively addressing this issue. As a result, our approach substantially outperforms prior art in terms of both accuracy and speed. Finally, the prevailing FROC evaluation over [1/8, 1/4, 1/2, 1, 2, 4, 8] false positives per scan, is far from ideal in real clinical environments. We suggest FROC over [1, 2, 4] false positives as a better metric.

연구 동기 및 목표

• 기존의 후보 검출과 가짜 양성 감소로 나누는 이중 단계적 접근 방식을 제거하기 위해.
• 3D 결절 검출에서 급격한 간섭 클래스 및 내부 클래스 불균형 문제를 해결하기 위해, 양성 샘플이 쉬운 음성 샘플에 비해 극적으로 적은 경우를 대비하기 위해.
• 전이 학습이나 후처리 없이도 분류 및 경계 상자 회귀를 동시에 수행하는 엔드 투 엔드, 단일 네트워크 솔루션을 개발하기 위해.
• 영상의학 전문의의 우선순위와 더 잘 부합하는 임상적으로 의미 있는 평가 지표인 스캔당 [1, 2, 4] 가짜 양성에서의 FROC을 제안하기 위해.
• 적응형 앵커를 기반으로 하는 동적 패치 기반 샘플링 전략을 통해 추론 속도와 학습 효율성을 향상시키기 위해.

제안 방법

• 3D 볼륨에서 특징 학습과 다중 척도 검출을 향상시키기 위해 스킵 연결과 라테럴 연결을 갖춘 수정된 ResNet-FPN 아키텍처를 채택한다.
• 딥 네트워크에서의 죽는 ReLU 문제를 완화하고 학습 안정성을 향상시키기 위해 RReLU 활성화 함수를 적용한다.
• 양성 샘플과 하드 음성 샘플만을 동적으로 선택하는 앵커 기반 패치 샘플링 전략을 도입하여, 거대한 음성 샘플 풀에서의 학습 부담을 줄인다.
• 학습 에포크 전반에 걸쳐 샘플링의 관련성을 유지하기 위해 정기적으로 업데이트되는 앵커를 사용하여 모델의 일반화 능력을 향상시킨다.
• 사전 학습이나 전이 학습 없이 3D CT 볼륨에서 엔드 투 엔드 학습을 수행하며, 직접적으로 결절 위치와 확률을 회귀한다.
• 분류 및 회귀 헤드를 동시에 최적화하기 위해 분류와 회귀 손실 함수를 조합한 손실 함수를 적용한다.

실험 결과

연구 질문

• RQ1 단일 단계, 단일 단계 딥러닝 모델이 3D CT 스캔에서 기존의 이단계적 파이프라인보다 폐 결절 검출 성능에서 뛰어나게 될 수 있는가?
• RQ2 엔드 투 엔드 학습 중 3D 결절 검출에서 극심한 클래스 불균형 문제를 앵커 기반 패치 샘플링 전략이 얼마나 효과적으로 완화할 수 있는가?
• RQ3 제안된 방법이 최신 기술 수준의 이단계적 접근 방식보다 뛰어난 검출 성능과 추론 속도를 달성할 수 있는가?
• RQ4 기존의 [1/8, 1/4, 1/2, 1, 2, 4, 8] 척도보다 스캔당 [1, 2, 4] 가짜 양성에서의 FROC가 임상적으로 더 의미 있는 평가 지표인가?
• RQ5 전이 학습이나 후처리 없이도 높은 민감도를 확보하면서 최소한의 가짜 양성을 유발할 수 있는가?

주요 결과

• 제안된 단일 모델은 [1, 2, 4] 가짜 양성 수준에서 새로운 평가 기준 기준으로 FROC 점수 0.9767을 달성하여 기존 기술 수준을 크게 뛰어넘었다.
• 앙상블 모델은 동일한 지표에서 FROC 점수 0.9817을 기록하여 강력한 일반화 능력과 내구성을 입증했다.
• 표준 벤치마크에서 FROC[luna] 점수는 0.9351을 기록하여 이전 최고 기술 수준을 초월했다.
• 추론 시간은 스캔당 약 35초로, 기존의 이단계적 접근 방식보다 상당히 빠르게 성능을 냈다.
• 앵커 기반 패치 샘플링 전략은 오직 하드 음성 샘플과 양성 샘플에 집중함으로써 학습 샘플 수를 효과적으로 줄여 학습 효율성을 향상시켰다.
• 영상의학 전문의의 임상적 피드백에 따르면, 가짜 음성 수를 최소화하는 것보다 가짜 음성 수를 최소화하는 것이 더 실용적인 평가 지표로 평가되었으며, 스캔당 [1, 2, 4] FPs가 더 실용적인 평가 척도임을 지지했다.