[논문 리뷰] Two-Stage Convolutional Neural Network Architecture for Lung Nodule Detection

Haichao Cao, Hong Liu외 6명|arXiv (Cornell University)|2019. 05. 09.

Lung Cancer Diagnosis and Treatment참고 문헌 63인용 수 9

한 줄 요약

이 논문은 CT 영상에서 폐 결절 검출을 위한 이단계 3차원 합성곱 신경망(TSCNN)을 제안한다. 초기 검출에는 개선된 UNet을 사용하고, 잡음 감소를 위해 이중 풀링 기반 3D CNN을 사용한다. LUNA16에서 평가한 결과, 높은 재현율과 정밀도를 기록하며 최신 기술 수준의 성능을 달성했으며, 어려운 음성 샘플 학습 및 앙상블 학습 기법으로 성능이 향상되었다.

ABSTRACT

Early detection of lung cancer is an effective way to improve the survival rate of patients. It is a critical step to have accurate detection of lung nodules in computed tomography (CT) images for the diagnosis of lung cancer. However, due to the heterogeneity of the lung nodules and the complexity of the surrounding environment, robust nodule detection has been a challenging task. In this study, we propose a two-stage convolutional neural network (TSCNN) architecture for lung nodule detection. The CNN architecture in the first stage is based on the improved UNet segmentation network to establish an initial detection of lung nodules. Simultaneously, in order to obtain a high recall rate without introducing excessive false positive nodules, we propose a novel sampling strategy, and use the offline hard mining idea for training and prediction according to the proposed cascaded prediction method. The CNN architecture in the second stage is based on the proposed dual pooling structure, which is built into three 3D CNN classification networks for false positive reduction. Since the network training requires a significant amount of training data, we adopt a data augmentation method based on random mask. Furthermore, we have improved the generalization ability of the false positive reduction model by means of ensemble learning. The proposed method has been experimentally verified on the LUNA dataset. Experimental results show that the proposed TSCNN architecture can obtain competitive detection performance.

연구 동기 및 목표

• 복잡한 CT 환경에서 이질적인 폐 결절을 고정밀도로 검출하는 과제를 해결하기 위해.
• 높은 재현율을 유지하면서도 임의의 양성 검출을 줄이기 위해.
• 데이터 증강 및 앙상블 학습 기법을 통해 모델의 일반화 능력을 향상시키기 위해.
• 오프라인 어려운 샘플 학습을 활용한 캐스케이드 예측 프레임워크를 개발하여 강력한 훈련을 위해.

제안 방법

• 첫 번째 단계는 CT 볼륨 내에서 폐 결절의 초기 위치를 파악하기 위해 개선된 3D UNet 아키텍처를 사용한다.
• 훈련 중 어려운 음성 샘플을 우선순위로 배치하기 위해 오프라인 어려운 샘플 학습 기반의 새로운 샘플링 전략을 적용한다.
• 두 번째 단계는 이중 풀링 구조를 세 개의 3D CNN에 통합하여 예측을 정밀하게 다듬고 임의의 양성 검출을 줄인다.
• 훈련 데이터의 다양성과 모델의 강건성을 향상시키기 위해 무작위 마스킹을 통한 데이터 증강을 적용한다.
• 임의의 양성 검출 모델에 앙상블 학습을 적용하여 일반화 능력과 성능을 향상시킨다.
• 두 단계의 출력을 결합하는 캐스케이드 예측 방법을 통해 검출 신뢰도를 향상시킨다.

실험 결과

연구 질문

• RQ1 단일 단계 방법과 비교해 볼 때, 이단계 3D CNN 아키텍처가 폐 결절 검출 정확도를 향상시킬 수 있는가?
• RQ2 제안된 오프라인 어려운 샘플 학습 샘플링 전략은 재현율을 희생시키지 않고도 임의의 양성 검출을 얼마나 효과적으로 줄일 수 있는가?
• RQ3 두 번째 단계 네트워크의 이중 풀링 구조가 임의의 양성 검출을 얼마나 향상시키는가?
• RQ4 제한된 데이터 환경에서 무작위 마스킹을 통한 데이터 증강이 모델 일반화에 어떤 영향을 미치는가?
• RQ5 앙상블 학습은 임의의 양성 검출 모델의 성능을 추가로 향상시킬 수 있는가?

주요 결과

• TSCNN는 LUNA16 데이터셋에서 경쟁적인 검출 성능을 기록했으며, 본 연구의 맥락에서 최신 기술 수준의 결과를 보였다.
• 이중 단계 설계 덕분에 고정밀도를 유지하면서도 임의의 양성 검출을 크게 줄였다.
• 오프라인 어려운 샘플 학습의 활용은 어려운 음성 샘플에 대한 모델 학습을 향상시켜 더 나은 일반화에 기여했다.
• 앙상블 학습 접근법은 임의의 양성 검출 네트워크의 강건성과 성능을 향상시켰다.
• 두 번째 단계 3D CNN의 이중 풀링 구조는 후보 결절의 분류 정확도 향상에 기여했다.
• 무작위 마스킹 기반의 데이터 증강 전략은 훈련 데이터의 다양성을 효과적으로 증가시키고 모델의 일반화 능력을 향상시켰다.