[논문 리뷰] Automatic 3D liver location and segmentation via convolutional neural networks and graph cut

Lu Fang, Fa Wu외 3명|arXiv (Cornell University)|2016. 05. 10.

Medical Image Segmentation Techniques참고 문헌 38인용 수 9

한 줄 요약

이 논문은 3D 컨volution 신경망(CNN)을 사용하여 초기 간 탐지 및 확률적 세분화를 수행한 후, 학습된 확률 맵을 활용한 그래프 컷 정밀 조정을 통해 완전 자동 3D 간 세분화 방법을 제안한다. 공개 데이터셋에서 수동 세분화와 비교하여 평균 VOE가 5.9%이고 상관계수가 0.968에 도달하여 높은 정확도를 보이며, 사용자 상호작용 없이 간 용적 추정에 강력한 임상 적용 가능성을 입증한다.

ABSTRACT

Purpose Segmentation of the liver from abdominal computed tomography (CT) image is an essential step in some computer assisted clinical interventions, such as surgery planning for living donor liver transplant (LDLT), radiotherapy and volume measurement. In this work, we develop a deep learning algorithm with graph cut refinement to automatically segment liver in CT scans. Methods The proposed method consists of two main steps: (i) simultaneously liver detection and probabilistic segmentation using 3D convolutional neural networks (CNNs); (ii) accuracy refinement of initial segmentation with graph cut and the previously learned probability map. Results The proposed approach was validated on forty CT volumes taken from two public databases MICCAI-Sliver07 and 3Dircadb. For the MICCAI-Sliver07 test set, the calculated mean ratios of volumetric overlap error (VOE), relative volume difference (RVD), average symmetric surface distance (ASD), root mean square symmetric surface distance (RMSD) and maximum symmetric surface distance (MSD) are 5.9%, 2.7%, 0.91%, 1.88 mm, and 18.94 mm, respectively. In the case of 20 3Dircadb data, the calculated mean ratios of VOE, RVD, ASD, RMSD and MSD are 9.36%, 0.97%, 1.89%, 4.15 mm and 33.14 mm, respectively. Conclusion The proposed method is fully automatic without any user interaction. Quantitative results reveal that the proposed approach is efficient and accurate for hepatic volume estimation in a clinical setup. The high correlation between the automatic and manual references shows that the proposed method can be good enough to replace the time-consuming and non-reproducible manual segmentation method.

연구 동기 및 목표

• 임상 환경에서 사용자 상호작용을 완전히 제거하는 완전 자동 3D 간 세분화 방법을 개발하기 위해.
• 딥 러닝과 그래프 컷 최적화를 융합하여 세분화 정확도를 향상시키기 위해.
• 수술 계획 및 방사선 치료와 같은 응용 분야에서 신뢰할 수 있는 간 용적 추정을 가능하게 하기 위해.
• 낮은 조직 대비와 변동성이 큰 해부학적 구조로 인한 세분화 과제를 해결하기 위해.
• 공개 데이터셋에서의 검증 및 최신 기술들과의 비교를 위해.

제안 방법

• 3D CNN은 동시에 간 탐지와 初기 세분화를 위한 확률 맵 생성을 위해 훈련된다.
• 3D CNN에서 생성된 확률 맵은 그래프 컷 에너지 함수 내 사전 지식으로 사용된다.
• 그래프 컷 최적화는 지역 및 경계 항목을 포함하는 에너지 함수를 최소화하여 초기 세분화를 정밀 조정한다.
• 이 방법은 사용자 초기화나 입력 없이도 종단 간(end-to-end)으로 작동한다.
• 3D 컨볼루션과 그래프 기반 최적화를 통해 공간적 맥락과 형태 일관성을 활용한다.
• 표준 평가 지표를 사용하여 MICCAI-Sliver07 및 3Dircadb 데이터셋에서 프레임워크를 평가한다.

실험 결과

연구 질문

• RQ1 3D CNN 기반 접근법이 사용자 상호작용 없이 Abdominal CT에서 정확하고 강건한 간 세분화를 달성할 수 있는가?
• RQ2 학습된 확률 맵을 그래프 컷에 통합할 경우 세분화 정확도가 어떻게 향상되는가?
• RQ3 기존 최신 자동 간 세분화 기법들과 비교해 본다면 제안된 방법의 성능은 어떠한가?
• RQ4 해부학적 변동성과 저대비 영상 조건 하에서도 이 방법이 정확도를 얼마나 유지하는가?
• RQ5 용적 및 표면 거리 측면에서 자동 세분화가 수동 분할과 얼마나 높은 상관성을 보이는가?

주요 결과

• MICCAI-Sliver07 테스트 세트에서 평균 볼륨 오버랩 오차(VOE)는 5.9%, 상대적 볼륨 차이(RVD)는 2.7%, 평균 대칭 표면 거리(ASD)는 0.91%를 기록했다.
• 3Dircadb의 20개 케이스에서 평균 VOE는 9.36%, RVD는 0.97%, ASD는 1.89%였다.
• MICCAI-Sliver07에서 루트 평균 제곱 대칭 표면 거리(RMSD)는 1.88 mm였고, 3Dircadb에서는 4.15 mm였다.
• MICCAI-Sliver07에서 최대 대칭 표면 거리(MSD)는 18.94 mm였고, 3Dircadb에서는 33.14 mm였다.
• 자동 세분화와 수동 분할 간 간 용적 간의 상관계수는 0.968로 매우 높았으며, 평균 차이는 57.2 mL였고, 95% 신뢰 구간은 -266.4 mL에서 380.7 mL였다.
• VOE, RVD, ASD 측면에서 몇몇 최신 기술보다 뛰어난 성능을 보였지만, MSD 측면에선 Li 등이 제안한 탄성 그래프 컷 방법보다 약간 열등했다.