[논문 리뷰] Volumetric Lung Nodule Segmentation using Adaptive ROI with Multi-View Residual Learning

Muhammad Usman, Byoung-Dai Lee외 3명|arXiv (Cornell University)|2019. 12. 31.

Lung Cancer Diagnosis and Treatment참고 문헌 41인용 수 6

한 줄 요약

이 논문은 방사선의사가 제공한 2차원 영역(ROI)을 기반으로 축성, coronal, 그리고 sagittal 평면에서 유연하게 노드를 탐지하기 위해 적응형 ROI(A-ROI)와 다중 시야 잔차 U-Net을 사용하는 이단계, 반자동 3차원 폐 결절 분할 방법을 제안한다. 이 방법은 LIDC-IDRI 데이터셋에서 3차원 분할의 딱지 스코어(Dice score)를 87.55로 달성하여 최신 기술들을 능가하며, 인간의 노력을 줄이고 다양한 종류의 결절에 대해 강건성을 향상시킨다.

ABSTRACT

Accurate quantification of pulmonary nodules can greatly assist the early diagnosis of lung cancer, which can enhance patient survival possibilities. A number of nodule segmentation techniques have been proposed, however, all of the existing techniques rely on radiologist 3-D volume of interest (VOI) input or use the constant region of interest (ROI) and only investigate the presence of nodule voxels within the given VOI. Such approaches restrain the solutions to investigate the nodule presence outside the given VOI and also include the redundant structures into VOI, which may lead to inaccurate nodule segmentation. In this work, a novel semi-automated approach for 3-D segmentation of nodule in volumetric computerized tomography (CT) lung scans has been proposed. The proposed technique can be segregated into two stages, at the first stage, it takes a 2-D ROI containing the nodule as input and it performs patch-wise investigation along the axial axis with a novel adaptive ROI strategy. The adaptive ROI algorithm enables the solution to dynamically select the ROI for the surrounding slices to investigate the presence of nodule using deep residual U-Net architecture. The first stage provides the initial estimation of nodule which is further utilized to extract the VOI. At the second stage, the extracted VOI is further investigated along the coronal and sagittal axis with two different networks and finally, all the estimated masks are fed into the consensus module to produce the final volumetric segmentation of nodule. The proposed approach has been rigorously evaluated on the LIDC dataset, which is the largest publicly available dataset. The result suggests that the approach is significantly robust and accurate as compared to the previous state of the art techniques.

연구 동기 및 목표

• 폐 결절 분할을 위한 수동적인 3차원 볼륨 영역(VOI) 입력을 최소화하여 방사선의사의 작업 부담을 줄이기 위해.
• 고정된 또는 방사선의사가 제공한 VOI의 한계를 극복하여 결절을 포함하지 않거나 비결절 구조를 포함할 수 있는 문제를 해결하기 위해.
• 다양한 CT 스캔 평면에서 동적으로 유연하게 검색할 수 있도록 하여 분할 정확도를 향상시키기 위해.
• 자동으로 VOI를 추정하고 다중 시야 예측을 융합하여 최종 분할을 생성하는 강건한 반자동 프레임워크를 개발하기 위해.
• 미세하거나 가시성이 낮거나 부착되지 않은 결절을 포함한 다양한 종류의 결절에 대해 성능을 향상시키기 위해.

제안 방법

• 방사선의사가 제공한 2차원 축성 ROI를 입력으로 사용하여 결절 탐지를 시작한다.
• 딥 리서지드 U-Net을 사용하여 인접한 축성 슬라이스를 기반으로 영역 크기와 위치를 동적으로 조정하는 적응형 ROI(A-ROI) 알고리즘을 적용하여 결절 존재 여부를 탐지한다.
• 탐지된 결절 영역을 기반으로 CT 스캔에서 자동으로 3차원 VOI를 추출하여 추가 분석을 수행한다.
• 추출된 VOI에 대해 추가로 두 개의 잔차 U-Net을 적용하여 관례적 및 사선 평면에서 패치 단위로 분할을 수행한다.
• 축성, 관례적, 사선 시야에서의 분할 마스크를 공통 모듈을 사용하여 융합하여 최종 3차원 분할 결과를 도출한다.
• 다양한 수직적인 시야에서의 정보를 활용하여 결절의 기하학적 특성을 보다 잘 포착함으로써 정확도와 강건성을 향상시키기 위해 다중 시야 학습 기법을 활용한다.

실험 결과

연구 질문

• RQ1 반자동 기법이 3차원 VOI 입력을 2차원 ROI로 대체함으로써 정확도를 유지하면서 방사선의사의 부담을 줄일 수 있는가?
• RQ2 적응형 ROI 학습이 축성 슬라이스를 넘어선 영역으로 확장되는 결절을 탐지하는 데 효과적인가?
• RQ3 축성, 관례적, 사선 평면을 모두 활용한 다중 시야 분할이 단일 평면 기반 방법보다 3차원 결절 경계 정확도를 향상시키는가?
• RQ4 공통 모듈이 다중 시야 예측을 효과적으로 융합하여 더 강력하고 정확한 최종 분할 결과를 도출할 수 있는가?
• RQ5 제안된 방법은 미세하거나 부착되지 않은, 또는 날카로운 가장자리를 가진 결절을 포함한 다양한 종류의 결절에 대해 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 방법은 LIDC-IDRI 데이터셋에서 평균 딱지 유사도 계수(DSC) 87.55를 달성하여 이전 최신 기술들을 능가하였다.
• 축성 시야 분할 결과 DSC는 85.29였으며, 적응형 ROI와 잔차 학습 덕분에 향상되었다.
• 공통 모듈이 최종 분할 성능을 크게 향상시켜 축성 시야의 DSC 85.29에서 최종 출력의 DSC 87.55로 상승시켰다.
• 초기 2차원 ROI를 초월해 확장된 결절도 성공적으로 탐지하였으며, 적응형 ROI가 슬라이스 간에 동적으로 조정되어 전체 결절 영역을 포괄하였다.
• 시각적 분석을 통해 비정상적이고 부착되지 않은, 또는 경계가 모호한 결절에 대해서도 강건한 성능을 확인하였다.
• 모서리, 구형도, 질감 등의 다양한 결절 특성에 걸쳐 일관된 성능을 보여, 다양한 형태의 결절에 대한 강력한 일반화 능력을 입증하였다.