[논문 리뷰] Whole-Body Lesion Segmentation in 18F-FDG PET/CT

Jia Zhang, Yukun Huang외 2명|arXiv (Cornell University)|2022. 09. 16.

Medical Imaging Techniques and Applications인용 수 4

한 줄 요약

이 논문은 18F-FDG PET/CT 스캔에서 전신 병변 분할을 위해 ResNet18 백본을 갖춘 공동 2D-3D nnUNet 모델을 제안한다. 2D 네트워크의 축면 감도와 3D ResNet 기반 네트워크의 부피적 맥락을 결합한다. 이 방법은 AutoPet 챌린지에서 최상의 성능을 기록했으며, 가중치 기반 융합과 후처리를 통해 거짓 양성 및 거짓 음성 수를 감소시켰다.

ABSTRACT

There has been growing research interest in using deep learning based method to achieve fully automated segmentation of lesion in Positron emission tomography computed tomography(PET CT) scans for the prognosis of various cancers. Recent advances in the medical image segmentation shows the nnUNET is feasible for diverse tasks. However, lesion segmentation in the PET images is not straightforward, because lesion and physiological uptake has similar distribution patterns. The Distinction of them requires extra structural information in the CT images. The present paper introduces a nnUNet based method for the lesion segmentation task. The proposed model is designed on the basis of the joint 2D and 3D nnUNET architecture to predict lesions across the whole body. It allows for automated segmentation of potential lesions. We evaluate the proposed method in the context of AutoPet Challenge, which measures the lesion segmentation performance in the metrics of dice score, false-positive volume and false-negative volume.

연구 동기 및 목표

• 18F-FDG PET/CT 스캔에서 전신 병변 분할을 위한 완전 자동화된 딥 러닝 기반 방법을 개발하여 암 예후 평가 및 치료 계획 수립을 지원한다.
• CT의 구조적 정보를 활용하여 뇌, 방광, 신장과 같은 기관에서 악성 병변과 생리적 FDG 흡수를 구분하는 과제를 해결한다.
• 2D 및 3D 네트워크 아키텍처를 nnUNet 프레임워크 내에서 융합하여 축면 감도와 3D 부피 맥락을 모두 활용함으로써 분할 정확도를 향상시킨다.
• 가중치 기반 융합 전략과 새로운 후처리 방법을 통해 거짓 양성 및 거짓 음성 수를 감소시킨다.

제안 방법

• 제안된 방법은 공동 2D-3D nnUNet 아키텍처를 사용하며, 2D UNet과 3D 전체 해상도 ResUNet(3D F-Res)이 별도로 훈련되고, 그 예측 결과가 가중 평균을 통해 융합된다.
• 3D F-Res 모델은 인코더 백본으로 ResNet18을 통합하여 잔차 단위를 통해 깊은 네트워크 연결과 개선된 정보 흐름을 가능하게 한다.
• 2D UNet은 448×448 패치 크기를 사용하여 축면에 특화된 세밀한 병변 세부 정보를 캡처한다.
• 3D F-Res 모델은 128×128×128 패치 크기를 사용하며, 슬라이스 간 공간 맥락을 모델링하기 위해 부피 데이터를 처리한다.
• 융합는 가중 조합을 통해 수행되며, $\text{softmax}_{\text{pred}} = 0.55 \times \text{softmax}_{3D} + 0.45 \times \text{softmax}_{2D}$ 로 표현되며, 3D 출력에 더 무게를 두고 있다.
• 거짓 양성, 특히 고흡수 생리적 영역에서의 거짓 양성을 추가로 감소시키기 위해 후처리 방법이 적용된다.

실험 결과

연구 질문

• RQ1 단일 2D 또는 3D 모델에 비해 공동 2D-3D nnUNet 아키텍처가 18F-FDG PET/CT에서 전신 병변 분할 정확도를 향상시킬 수 있는가?
• RQ2 3D nnUNet에 ResNet18을 백본으로 통합하면 표준 UNet 백본에 비해 병변 분할 성능을 향상시킬 수 있는가?
• RQ3 2D 및 3D 예측 결과의 가중치 기반 융합은 거짓 양성 및 거짓 음성 비율의 균형에 어떤 영향을 미치는가?
• RQ4 저해상도 예측 결과를 고해상도 모델과 연결하는 방식은 분할 성능을 향상시킬 수 있는가, 아니면 해상도 손실로 인해 성능 저하가 발생하는가?
• RQ5 후처리 방법을 통해 장내 및 방광과 같은 생리적 FDG 흡수 영역에서의 거짓 양성 수를 얼마나 줄일 수 있는가?

주요 결과

• 공동 2D-3D 모델은 AutoPet 챌린지 검증 세트에서 가장 높은 총합 순위(1위)를 기록했으며, Dice 점수, 거짓 양성 부피, 거짓 음성 부피 모두에서 모든 다른 모델을 압도했다.
• 공동 모델은 전체 코hort에서 Dice 점수 0.79를 기록했으며, 폐암에서는 0.83, 메라노마에서는 0.78, 림프종에서는 0.74를 기록했다.
• 3D F-Res 모델은 모든 질환 유형에서 가장 낮은 거짓 음성 부피(1.93)를 기록하여 뛰어난 병변 탐지 능력을 보였다.
• 3D L-Res 모델은 가장 낮은 거짓 양성 부피(0.51)를 기록했지만, 가장 높은 거짓 음성 부피(9.93)를 기록하여 민감도와 특이도 사이의 상충 관계를 보였다.
• 2D UNet 모델은 가장 낮은 거짓 양성 부피(1.63)를 기록했지만, 가장 높은 거짓 음성 부피(4.60)를 기록하여 비병변 영역에서의 거짓 양성에 민감한 것으로 나타났다.
• 공동 모델은 메라노마 및 음성 케이스에서의 거짓 양성을 효과적으로 완화했고, 폐암에서 놓친 병변을 보완함으로써 2D 및 3D 브랜치의 상호 보완적 강점을 입증했다.