[논문 리뷰] Translating Clinical Delineation of Diabetic Foot Ulcers into Machine Interpretable Segmentation

Connah Kendrick, Bill Cassidy외 7명|arXiv (Cornell University)|2022. 04. 22.

Diabetic Foot Ulcer Assessment and ManagementMedicine인용 수 17

한 줄 요약

이 논문은 임상의가 분류한 4,000幅의 영상으로 구성된 당뇨병성 발부상처(DFU) 분할 데이터셋인 DFUC2022를 소개한다. 영상 처리 기법을 활용해 임상의가 그린 윤곽선을 매끄럽게 다듬은 마스크로 전처리하면 딥러닝 분할 성능이 크게 향상되며, 이는 딥러닝 성능을 향상시키는 데 기여한다. 이로 인해 딱도스 점수(Dice score)가 0.7446에 도달했으며, 이는 최고의 베이스라인(0.5708)과 DFUC2022 챌린지 우승자(0.7287)를 모두 앞서는 성과이다.

ABSTRACT

Diabetic foot ulcer is a severe condition that requires close monitoring and management. For training machine learning methods to auto-delineate the ulcer, clinical staff must provide ground truth annotations. In this paper, we propose a new diabetic foot ulcers dataset, namely DFUC2022, the largest segmentation dataset where ulcer regions were manually delineated by clinicians. We assess whether the clinical delineations are machine interpretable by deep learning networks or if image processing refined contour should be used. By providing benchmark results using a selection of popular deep learning algorithms, we draw new insights into the limitations of DFU wound delineation and report on the associated issues. This paper provides some observations on baseline models to facilitate DFUC2022 Challenge in conjunction with MICCAI 2022. The leaderboard will be ranked by Dice score, where the best FCN-based method is 0.5708 and DeepLabv3+ achieved the best score of 0.6277. This paper demonstrates that image processing using refined contour as ground truth can provide better agreement with machine predicted results. DFUC2022 will be released on the 27th April 2022.

연구 동기 및 목표

• 당뇨병성 발부상처(DFUC2022)의 분할에 가장 큰 규모의 임상 기반 지도 학습 데이터셋을 구축하고, 임상의가 제공한 참값(annotation)을 확보한다.
• 원시적인 임상의가 그린 윤곽선이 딥러닝 모델의 참값으로 직접 사용 가능한지 여부를 조사하며, 영상 처리를 통한 정제가 성능 향상에 기여하는지 확인한다.
• DFUC2022 데이터셋에서 최신 기술의 딥러닝 분할 네트워크를 평가하고, 주요 성능 제약 요소를 규명한다.
• 데이터 분포, 노이즈, 영역 유사성 문제를 해결하기 위해 FCN32 VGG 아키텍처를 수정하는 새로운 학습 전략을 제안하고 검증한다.
• 영상 처리로 유도된 매끄러운 마스크가 모델 예측과 임상 애너테이션 간의 정렬도를 향상시키는지 입증한다.

제안 방법

• 전문 임상의가 분류한 4,000장의 DFU 영상(학습용 2,000장, 테스트용 2,000장)을 수집하고 정제하였다.
• 원시적이고 불규칙한 임상의가 그린 윤곽선을 영상 처리 기법을 활용해 매끄럽고 기계로 해석 가능한 마스크로 정제하여 참값 표현의 품질을 향상시켰다.
• 딥러닝 분할 모델(예: DeepLabv3+, FCN32 VGG)을 원시 마스크와 매끄러운 마스크에 대해 각각 학습하고 평가하여 성능을 비교하였다.
• 데이터 분포 편향, 배경 노이즈, 질감 유사성의 영향을 분리하여 분석하기 위해 아블레이션 스터디를 수행하였다.
• 작은, 저대비의 DFU 영역에서의 특징 학습을 향상시키기 위해 FCN32 VGG 네트워크 아키텍처를 수정하여 과도한 다운샘플링을 줄였다.
• 해석 가능한 인공지능 기법(예: 클래스 활성화 맵)을 활용해 모델의 주의 집중 영역를 분석하고, 예측 과정에서 네트워크가 실제로 부상 부위에 집중하고 있는지 확인하였다.

실험 결과

연구 질문

• RQ1 DFU의 임상적 윤곽선을 딥러닝 분할의 참값으로 직접 사용할 수 있는가, 아니면 영상 처리를 통한 정제가 성능 향상에 기여하는가?
• RQ2 DFU 분할에 대한 딥러닝 모델 학습에서 주요 과제는 무엇이며, 데이터 분포, 노이즈, 질감 유사성은 성능에 어떤 영향을 미치는가?
• RQ3 임상의가 그린 윤곽선에서 파생된 매끄러운 마스크를 사용할 경우, 모델 예측과 임상 애너테이션 간의 정렬도가 향상되는가?
• RQ4 표준 분할 네트워크(예: FCN32 VGG)의 아키텍처 수정을 통해 후처리 없이도 작은, 저대비의 DFU 영역에서 성능 향상을 이룰 수 있는가?
• RQ5 제안된 방법의 성능은 DFUC2022 벤치마크에서 최신 기술 모델과 비교해 어떻게 되는가? 특히 딱도스 점수와 노이즈 및 작은 병변에 대한 내성 면에서 어떻게 평가되는가?

주요 결과

• DFUC2022 데이터셋은 현재까지 공개된 바 중에서 가장 큰 DFU 분할 데이터셋으로, 학습용 2,000장, 테스트용 2,000장의 영상이 임상의가 분류한 참값을 포함하고 있다.
• 임상의가 그린 윤곽선을 영상 처리로 매끄럽게 다듬은 마스크로 전처리하면 분할 성능이 크게 향상되었으며, 딱도스 점수는 0.7446으로, 최고의 베이스라인 모델(0.5708)을 뛰어넘었다.
• 제안된 수정된 FCN32 VGG 네트워크는 딱도스 점수 0.7446을 기록했으며, DFUC2022 챌린지 랭킹 1위 모델(0.7287)을 초월하는 성능을 보였다.
• 베이스라인 모델은 95% 이상의 영상에서 DFU 영역가 전체 영상 면적의 5% 미만이었기 때문에 과도한 다운샘플링과 데이터 분포 편향으로 인해 작은 DFU 영역을 처리하는 데 어려움을 겪었다.
• 배경 노이즈와 DFU, 주변부상, 건강한 피부 간의 질감 유사성이 심해져 오분류 및 배경에 대한 과적합 현상이 발생하여 성능이 크게 저하되었다.
• 표준 네트워크의 빠른 업샘플링은 화소화 및 잘못된 양성 영역을 유발했으며, 이는 특징맵의 해상도와 정밀도를 향상시키기 위한 아키텍처 수정을 통해 완화되었다.