[논문 리뷰] ULDor: A Universal Lesion Detector for CT Scans with Pseudo Masks and Hard Negative Example Mining

Youbao Tang, Ke Yan외 4명|arXiv (Cornell University)|2019. 01. 18.

Advanced Neural Network Applications참고 문헌 9인용 수 4

한 줄 요약

ULDor는 가짜 마스크와 하드 음성 예제 미닝(HNEM)을 사용하여 CT 스캔을 위한 통합 병변 탐지기로, 탐지 성능을 향상시킵니다. RECIST 애너테이션을 활용해 가짜 마스크를 생성하고, 채굴된 가짜 양성 예측을 반복적으로 정련함으로써 ULDor는 이미지당 5개의 가짜 양성 예측에서 86.21%의 민감도를 달성하여 이전 방법들을 능가합니다.

ABSTRACT

Automatic lesion detection from computed tomography (CT) scans is an important task in medical imaging analysis. It is still very challenging due to similar appearances (e.g. intensity and texture) between lesions and other tissues, making it especially difficult to develop a universal lesion detector. Instead of developing a specific-type lesion detector, this work builds a Universal Lesion Detector (ULDor) based on Mask R-CNN, which is able to detect all different kinds of lesions from whole body parts. As a state-of-the-art object detector, Mask R-CNN adds a branch for predicting segmentation masks on each Region of Interest (RoI) to improve the detection performance. However, it is almost impossible to manually annotate a large-scale dataset with pixel-level lesion masks to train the Mask R-CNN for lesion detection. To address this problem, this work constructs a pseudo mask for each lesion region that can be considered as a surrogate of the real mask, based on which the Mask R-CNN is employed for lesion detection. On the other hand, this work proposes a hard negative example mining strategy to reduce the false positives for improving the detection performance. Experimental results on the NIH DeepLesion dataset demonstrate that the ULDor is enhanced using pseudo masks and the proposed hard negative example mining strategy and achieves a sensitivity of 86.21% with five false positives per image.

연구 동기 및 목표

• 전신 CT 스캔에서 다양한 병변 유형을 식별할 수 있는 통합 병변 탐지기 개발.
• RECIST 애너테이션을 활용해 병변의 픽셀 수준 애너테이션 부족 문제를 해결하기 위해 가짜 마스크를 구축.
• 하드 음성 예제 미닝(HNEM) 전략을 통해 병변 탐지에서의 가짜 양성 예측을 감소.
• 채굴된 음성 예측을 사용해 반복적으로 Mask R-CNN 모델을 재학습시켜 탐지 성능을 향상.
• 임상적으로 유의미한 환경에서 최고 수준의 민감도를 달성하면서도 가짜 양성 예측를 최소화.

제안 방법

• RECIST 애너테이션을 근거로 가짜 마스크를 생성하여 Mask R-CNN 학습에 대한 대체 진실값으로 활용.
• RoIAlign를 사용한 Mask R-CNN를 적용하여 마스크 예측의 정확한 공간 정렬 확보.
• 하드 음성 예제 미닝(HNEM) 전략을 적용해 가짜 양성 후보를 식별하고 재학습.
• 병변 예측과 채굴된 음성 예측을 모두 사용해 반복적으로 Mask R-CNN 모델을 재학습시켜 특징 구분 능력 향상.
• 테스트 시에는 단일 프로퍼션을 통해 추론 수행하며, 최종 정련된 모델 활용.
• 가짜 마스크와 HNEM을 결합한 공동 학습 루프를 통해 탐지의 강인성과 민감도 향상.

실험 결과

연구 질문

• RQ1 RECIST 애너테이션에서 유도된 가짜 마스크가 통합 병변 탐지기 학습에 실제 픽셀 수준 마스크와 효과적으로 대체될 수 있는가?
• RQ2 하드 음성 예제 미닝이 CT 스캔에서 병변 탐지의 가짜 양성 예측을 상당히 감소시키는가?
• RQ3 가짜 마스크와 HNEM의 조합이 기존 방법을 뛰어넘는 민감도 향상을 이끌 수 있는가?
• RQ4 채굴된 음성 예측을 사용한 반복적 재학습이 진짜 양성 예측의 순위에 어떤 영향을 미치는가?
• RQ5 가짜 마스크와 HNEM를 사용할 경우 민감도와 가짜 양성 예측 비율 사이의 상충 관계는 어떠한가?

주요 결과

• ULDor는 이미지당 5개의 가짜 양성 예측에서 민감도 86.21%를 달성하였으며, 이는 이전 최고 수준 방법(81.1%)보다 절대적 개선 5.11%에 해당합니다.
• 가짜 마스크 사용은 마스크 예측 기능이 없는 Mask R-CNN보다 민감도를 높이며, 분할 지도 학습의 가치를 입증합니다.
• 하드 음성 예제 미닝은 가짜 양성 예측을 감소시키며, 낮은 가짜 양성 예측 비율(예: 이미지당 5개)에서 높은 민감도를 보이며 효과를 입증합니다.
• 이상적인 조건에서 이미지당 5개 이하의 가짜 양성 예측 수준에서 ULDor는 Yan 등 [4]의 방법을 모든 가짜 양성 예측 수준에서 능가하며, 특히 0.5–2개의 범위에서 가장 큰 향상이 관찰됩니다.
• 더 많은 가짜 양성 예측을 허용할 경우, FP 재학습을 적용한 ULDor의 민감도는 94.2%에 도달하여 [4]에서 보고한 88.0%의 민감도를 초월합니다.
• 다시 말해, 개선에도 불구하고 약 5.8%의 진짜 병변이 탐지되지 않아 저대비 병변 처리 향상을 위한 추가 개선 여지가 있음을 시사합니다.