[논문 리뷰] Adversarial Deep Structured Nets for Mass Segmentation from Mammograms

Wentao Zhu, Xiang Xiang외 3명|arXiv (Cornell University)|2017. 10. 24.

AI in cancer detection참고 문헌 9인용 수 10

한 줄 요약

이 논문은 유방 조영 검사에서 종양 세분화를 위한 엔드 투 엔드 적대적 딥 구조적 네트워크를 제안한다. 이 네트워크는 완전 컨volution 네트워크(FCN)와 조건부 랜덤 필드(CRF)를 결합한 것으로, 소규모 데이터셋에서의 과적합을 방지하기 위해 공간 사전 지식, 다중 척도 FCN, 적대적 훈련을 통합한다. 이로 인해 DDSM-BCRP 데이터셋에서 91.30%의 Dice 스코어, INbreast 데이터셋에서 90.97%의 스코어를 기록하며 최신 기술 수준을 초월하는 성능을 달성한다.

ABSTRACT

Mass segmentation provides effective morphological features which are important for mass diagnosis. In this work, we propose a novel end-to-end network for mammographic mass segmentation which employs a fully convolutional network (FCN) to model a potential function, followed by a CRF to perform structured learning. Because the mass distribution varies greatly with pixel position, the FCN is combined with a position priori. Further, we employ adversarial training to eliminate over-fitting due to the small sizes of mammogram datasets. Multi-scale FCN is employed to improve the segmentation performance. Experimental results on two public datasets, INbreast and DDSM-BCRP, demonstrate that our end-to-end network achieves better performance than state-of-the-art approaches. \footnote{https://github.com/wentaozhu/adversarial-deep-structural-networks.git}

연구 동기 및 목표

• 제한된 훈련 데이터로 인한 과적합 문제를 해결한다.
• 유방 조영 영상에서 종양의 위치 분포를 반영하는 공간 사전 지식을 통합하여 세분화 정확도를 향상시킨다.
• FCN와 CRF를 통합한 엔드 투 엔드 학습 가능한 프레임워크를 개발하여 다단계 훈련을 피한다.
• 구조적 CRF 추론을 통해 경계 검출 및 구조적 일관성을 향상시킨다.
• 기존 최신 기술 수준의 방법들과 비교하여 공개 데이터셋에서 뛰어난 성능을 입증한다.

제안 방법

• 다중 척도 컨볼루션을 갖춘 완전 컨볼루션 네트워크(FCN)를 사용하여 유방 조영 영상에서 계층적 특징을 학습한다.
• 종양 영역의 공간 분포를 모델링하기 위해 FCN에 위치 사전 지식을 통합하여 국소화 정확도를 향상시킨다.
• 생성 적대적 네트워크(GAN) 프레임워크를 최적화하여 픽셀 단위의 레이블링 손실을 최소화하고 과적합을 줄인다.
• Potts 모델 호환성을 갖춘 완전 연결 페어웨이즈 CRF를 사용하여 예측 레이블의 공간 일관성을 강화한다.
• 의미론적 필드 근사법을 적용하여 효율적인 CRF 추론을 구현하며, 이를 반복 신경망으로 간주하여 미분 가능한 최적화를 수행한다.
• 백프로파게이션을 사용하여 FCN, CRF, 적대적 구성 요소를 함께 최적화하는 엔드 투 엔드 훈련을 수행한다.

Fig. 1 : The proposed adversarial deep FCN-CRF network with four convolutional layers followed by CRF for structured learning.

실험 결과

연구 질문

• RQ1 적대적 정규화를 통한 엔드 투 엔드 훈련이 소규모 유방 조영 영상 데이터셋에서 종양 세분화 성능을 향상시키는가?
• RQ2 공간 사전 지식을 통합하면 유방 조영 영상에서 종양 세분화의 국소화 및 정확도가 어떻게 향상되는가?
• RQ3 적대적 훈련이 의료 영상 세분화의 저데이터 환경에서 과적합을 얼마나 줄이고 일반화 성능을 향상시키는가?
• RQ4 다중 척도 특징 학습이 특히 병변 경계에서 세분화 품질을 크게 향상시키는가?
• RQ5 제안된 적대적 FCN-CRF 프레임워크는 공개 유방 조영 세분화 기준 데이터셋에서 기존 최신 기술 수준의 방법들과 비교해 어떻게 수치적으로 우월한가?

주요 결과

• 제안된 적대적 FCN-CRF 모델은 DDSM-BCRP 데이터셋에서 91.30%의 Dice 스코어를 기록하며, 이는 이전 최신 기술 수준의 방법보다 0.3% 높은 성능이다.
• INbreast 데이터셋에서는 90.97%의 Dice 스코어를 달성하여 기본 FCN 대비 0.97% 향상된 성능을 보였다.
• 적대적 훈련만으로도 데이터셋 평균 0.4% 향상된 Dice 스코어를 기록하여 과적합에 대한 효과적인 정규화가 이루어졌음을 시사한다.
• 다중 척도 FCN의 통합이 성능 향상에 가장 기여하였으며, 단일 척도 기반 모델 대비 0.3% 향상된 성능을 기록했다.
• 트리마프 기반 경계 정확도 분석 결과, 적대적 훈련이 종양 경계 근처 영역에서 세분화 정확도를 2–3% 향상시켰다.
• McNemar의 카이제곱 검정을 통해 [6]과 비교해 모델의 우월성이 통계적으로 유의미함을 확인하였으며, p값 < 0.001을 기록했다.

Fig. 3 : Visualization of segmentation results using the FCN (first row), Adversarial FCN (second row), Joint FCN-CRF (third row), Adversarial FCN-CRF (fourth row) on the test sets of INbreast dataset. Each column denotes a test sample. Red lines denote the ground truth. Green lines or points denote