[논문 리뷰] Deep Supervision for Pancreatic Cyst Segmentation in Abdominal CT Scans

Yuyin Zhou, Lingxi Xie외 2명|arXiv (Cornell University)|2017. 06. 22.

Advanced Neural Network Applications참고 문헌 12인용 수 19

한 줄 요약

이 논문은 복부 CT 영상에서 자동 췌장 낭종 세분화를 위한 딥 서포비전 방법을 제안하며, 췌장 세분화를 감독 신호로 활용하여 낭종 국소화를 향상시킨다. 췌장 탐지 후 낭종 세분화의 두 단계로 작업을 분해함으로써, 추론 중 인간 간섭 없이도 63.44%의 DSC(Dice-Sørensen 계수)를 달성하며, 기준 방법보다 2.98%의 절대적 향상을 이룬다.

ABSTRACT

Automatic segmentation of an organ and its cystic region is a prerequisite of computer-aided diagnosis. In this paper, we focus on pancreatic cyst segmentation in abdominal CT scan. This task is important and very useful in clinical practice yet challenging due to the low contrast in boundary, the variability in location, shape and the different stages of the pancreatic cancer. Inspired by the high relevance between the location of a pancreas and its cystic region, we introduce extra deep supervision into the segmentation network, so that cyst segmentation can be improved with the help of relatively easier pancreas segmentation. Under a reasonable transformation function, our approach can be factorized into two stages, and each stage can be efficiently optimized via gradient back-propagation throughout the deep networks. We collect a new dataset with 131 pathological samples, which, to the best of our knowledge, is the largest set for pancreatic cyst segmentation. Without human assistance, our approach reports a 63.44% average accuracy, measured by the Dice-Sørensen coefficient (DSC), which is higher than the number (60.46%) without deep supervision.

연구 동기 및 목표

• 낮은 대trast, 다양한 형태를 가진 췌장 낭종은 크기가 작고 형태가 다양하여 복부 CT 영상에서 세분화하기 어려운 도전 과제를 해결하기 위해.
• 시험 중 수동 애너테이션에 의존도를 줄이기 위해 완전히 자동 세분화 시스템을 개발하기 위해.
• 췌장과 낭종 병변 간의 공간적 및 해부학적 관계를 활용하여 낭종 세분화 정확도를 향상시키기 위해.
• 131개의 병리적 사례로 구성된 대규모 데이터셋을 통해 췌장 낭종 세분화의 새로운 벤치마크를 수립하기 위해.

제안 방법

• 공유 인코더와 이중 디코더 헤드를 사용하여 단일 딥 네트워크에서 췌장 및 낭종 세분화를 동시에 최적화함으로써 딥 서포비전을 도입한다.
• 최적화를 두 단계로 분해한다: 먼저 췌장 마스크를 예측하고, 그 다음 예측된 췌장 마스크를 공간 사전 정보로 사용하여 낭종 세분화를 정밀화한다.
• 두 단계를 거쳐 엔드 투 엔드 백프로파게이션을 가능하게 하는 변환 함수를 적용하여 기울기 기반 최적화를 가능하게 한다.
• 클래스 불균형을 다루기 위해 췌장 및 낭종 세분화 모두에 DSC(Dice-Sørensen 계수)를 손실 함수로 사용한다.
• 작고 낮은 대비를 가진 낭종의 국소화를 향상시키기 위해 코arse-to-fine 세분화 프레임워크를 활용한다.
• 전문가가 애너테이션한 췌장 및 낭종 마스크가 포함된 131개의 병리적 복부 CT 영상으로 구성된 신규 수집 데이터셋을 사용해 훈련 및 평가를 수행한다.

실험 결과

연구 질문

• RQ1 췌장 세분화를 활용한 딥 서포비전이 낮은 대비, 다양한 형태의 경우에서 췌장 낭종 세분화 정확도를 향상시킬 수 있는가?
• RQ2 췌장 및 낭종 세분화를 공동 최적화하는 방법이 독립적 훈련 대비 DSC와 내구성 측면에서 어떻게 비교되는가?
• RQ3 예측된 췌장 마스크가 낭종 국소화 향상과 거짓 음성 감소에 얼마나 기여하는가?
• RQ4 완전히 자동화된 시스템이 추론 중 인간 입력 없이도 임상적으로 유의미한 세분화 성능을 달성할 수 있는가?
• RQ5 데이터셋 크기와 병리적 다양성이 낭종 세분화 모델의 일반화에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 131개의 병리적 사례에서 췌장 낭종 세분화 평균 DSC가 63.44%를 기록하며, 딥 서포비전 없이 기준 방법보다 2.98%의 절대적 향상을 이룬다.
• 이 방법은 낭종 누락 수를 기준 방법의 16건에서 딥 서포비전 적용 시 8건으로 줄여, 어려운 케이스에서의 내구성 향상을 입증한다.
• 낭종 부피가 전체 부피의 0.1% 미만인 경우에도 합리적인 성능을 유지하며, 유리한 경우 DSC가 최대 95%에 도달한다.
• 췌장 세분화 단계의 평균 DSC는 79.23%를 기록하며, 건강한 경우보다 낮아 병적 췌장에서의 어려움이 증가했음을 시사한다.
• 오라클 췌장 경계 상자(박스)가 제공된 경우, 방법은 DSC 77.92%를 달성하여 공간 사전 정보의 유용성을 확인한다.
• 실패 케이스의 주요 원인은 정확도가 떨어지는 췌장 세분화에 기인하며, 이는 췌장 국소화가 낭종 탐지에 있어 핵심적 한계임을 시사한다.