[논문 리뷰] Adversarial Networks for the Detection of Aggressive Prostate Cancer

Simon Köhl, David Bonekamp외 6명|arXiv (Cornell University)|2017. 02. 26.

Prostate Cancer Diagnosis and Treatment참고 문헌 16인용 수 116

한 줄 요약

논문은 적대적 학습을 사용하여 공격적 전립선 암에 대한 세분화 네트워크를 학습하고, 작은 데이터셋에서 특히 표준 교차 엔트로피보다 종양 Dice와 민감도를 높게 달성합니다.

ABSTRACT

Semantic segmentation constitutes an integral part of medical image analyses for which breakthroughs in the field of deep learning were of high relevance. The large number of trainable parameters of deep neural networks however renders them inherently data hungry, a characteristic that heavily challenges the medical imaging community. Though interestingly, with the de facto standard training of fully convolutional networks (FCNs) for semantic segmentation being agnostic towards the `structure' of the predicted label maps, valuable complementary information about the global quality of the segmentation lies idle. In order to tap into this potential, we propose utilizing an adversarial network which discriminates between expert and generated annotations in order to train FCNs for semantic segmentation. Because the adversary constitutes a learned parametrization of what makes a good segmentation at a global level, we hypothesize that the method holds particular advantages for segmentation tasks on complex structured, small datasets. This holds true in our experiments: We learn to segment aggressive prostate cancer utilizing MRI images of 152 patients and show that the proposed scheme is superior over the de facto standard in terms of the detection sensitivity and the dice-score for aggressive prostate cancer. The achieved relative gains are shown to be particularly pronounced in the small dataset limit.

연구 동기 및 목표

• 작은 의료 영상 데이터셋에서 효율적인 의미 분할을 촉진한다.
• 적대적 제식자를 통해 학습된 글로벌 품질 측정치를 활용한다.
• 엔드투엔드 전립선 종양 분할을 위한 순수 적대적 학습 체계를 개발한다.
• 다양한 모달리티의 전립선 MRI에서 공격적 암(GS ≥7)을 탐지하기 위한 방법을 평가한다.

제안 방법

• 구분자 D와 적대적으로 대립하는 U-Net 유사 분할기 S를 사용한다. D는 전문가 분할과 생성된 분할 간의 차이를 구분한다.
• S를 학습시키기 위해 교차 엔트로피 항이 선택적으로 포함된 순수 적대적 손실 LS를 채택한다(크로스-CRFs나 후처리 필요 없음).
• D에 레이블 맵과 함께 MRI 채널(T2 가중치, ADC, 고-바이오드 DWI)을 입력으로 받아 전역 분할 타당성을 평가한다.
• 4-fold 교차검증과 데이터 증강(회전, 자르기, 뒤집기)을 사용하여 GS ≥7 대 병변 없음인 152명의 MRI 데이터로 학습한다.
• 전역 풀링을 포함한 인코더를 대칭하는 D를 구성하여 실제/가짜 가능성을 출력한다; D를 최적에 가깝게 유지하기 위해 학습 단계를 교대한다.
• 2D 학습 방식과 5 샘플 배치, Adam 옵티마이저를 구현한다; Dice 계수와 민감도(sensitivity)로 평가한다.

실험 결과

연구 질문

• RQ1 적대적 학습이 표준 교차 엔트로피와 비교해 공격적 전립선 암에 대한 분할 품질을 향상시키는가?
• RQ2 특히 작은 데이터 규모에서 데이터셋 크기에 따라 성능은 어떻게 달라지는가?
• RQ3 LS와 가중 교차 엔트로피를 결합한 하이브리드 손실이 순수 적대적 학습보다 이점을 주는가?
• RQ4 사전 선별이나 후처리 없이 자동으로 엔드 투 엔드 탐지가 가능하도록 제안된 방법이 작동하는가?

주요 결과

• 적대적 학습은 표준 교차 엔트로피보다 더 높은 종양 Dice(0.41 ± 0.28)와 민감도(0.55 ± 0.36)를 보인다(0.35 ± 0.29 및 0.37 ± 0.33 대비).
• 특이도는 모든 방식에서 높게 유지된다(~0.98).
• 하이브리드 LS+Lmce 손실은 순수 적대적 학습에 비해 성능을 개선하지 못한다.
• 적대적 학습의 상대 이점은 학습 데이터가 감소할수록 더 뚜렷해져, 작은 데이터셋에서의 이점을 나타낸다.
• 이 방법은 다중 모달 MRI에서 공격적 종양 분할에 대해 전통적 접근법보다 우수하다.