[논문 리뷰] Improving RetinaNet for CT Lesion Detection with Dense Masks from Weak RECIST Labels

Martin Zlocha, Qi Dou외 1명|arXiv (Cornell University)|2019. 06. 05.

Advanced Neural Network Applications참고 문헌 14인용 수 22

한 줄 요약

이 논문은 약한 RECIST 레이블을 활용하여 GrabCut를 통해 조밀한 마스크를 생성하고, 픽셀 수준의 지도 학습을 통해 향상된 훈련을 가능하게 함으로써 CT 병변 검출을 위한 one-stage RetinaNet 검출기를 최적화한다. 이 방법은 DeepLesion 벤치마크에서 1 이미지당 4개의 가짜 양성 결과에서 90.77%의 감도를 달성하여 이전의 방법들보다 5% 이상 뛰어나 새로운 최고 성능을 기록한다.

ABSTRACT

Accurate, automated lesion detection in Computed Tomography (CT) is an important yet challenging task due to the large variation of lesion types, sizes, locations and appearances. Recent work on CT lesion detection employs two-stage region proposal based methods trained with centroid or bounding-box annotations. We propose a highly accurate and efficient one-stage lesion detector, by re-designing a RetinaNet to meet the particular challenges in medical imaging. Specifically, we optimize the anchor configurations using a differential evolution search algorithm. For training, we leverage the response evaluation criteria in solid tumors (RECIST) annotation which are measured in clinical routine. We incorporate dense masks from weak RECIST labels, obtained automatically using GrabCut, into the training objective, which in combination with other advancements yields new state-of-the-art performance. We evaluate our method on the public DeepLesion benchmark, consisting of 32,735 lesions across the body. Our one-stage detector achieves a sensitivity of 90.77% at 4 false positives per image, significantly outperforming the best reported methods by over 5%.

연구 동기 및 목표

• 전신 CT 영상에서 다양하고 작으며, 대trast가 낮은 병변을 단일이고 효율적인 검출기로 탐지하는 데 도전하는 것.
• 기존의 두 단계 검출기들을 향상시키기 위해 고감도를 유지하면서 추론 복잡도를 줄이는 one-stage 아키텍처를 개발하는 것.
• 종양학 분야에서 흔히 사용되는 임상적으로 이용 가능한 약한 RECIST 애너테이션을 활용하여 수동 세그멘테이션에 비용이 많이 들지 않는 픽셀 수준의 지도 학습을 가능하게 하기 위해 조밀한 마스크 생성을 위한 방법을 개발하는 것.
• 차분 진화 알고리즘을 사용하여 소형 병변 탐지에 특화된 앵커 구성 및 피처 피라미드 설계를 최적화하는 것.
• 바운딩 박스 예측과 마스크 예측 간의 일관성 정규화를 통한 주의 메커니즘 통합을 통해 성능을 추가로 향상시키는 것.

제안 방법

• 소형 및 비정형 병변 탐지에 더 유리한 VGG-19 백본을 사용하여 RetinaNet을 재설계하고, 소형 병변 탐지에 적합한 앵커 구성 설정을 위해 차분 진화 탐색 알고리즘을 적용한다.
• 약한 RECIST 지름 정보를 기반으로 GrabCut 알고리즘을 사용하여 고품질의 조밀한 병변 마스크를 생성하고, 훈련 중 픽셀 수준의 지도 학습을 가능하게 한다.
• 바운딩 박스 회귀와 조밀한 마스크 예측을 결합한 다중 작업 훈련 목표를 도입하고, 가짜 양성 결과를 줄이기 위해 일관성 정규화를 적용한다.
• 병변 영역의 특징 표현을 향상시키기 위해 피처 피라미드 네트워크에 주의 게이트 모듈을 통합한다.
• 훈련 중 전경(병변)과 배경 영역 간의 클래스 불균형 문제를 해결하기 위해 포칼 손실을 적용한다.
• DeepLesion 데이터셋에서 추론 성능을 비교하고, FP 비율 및 병변 크기 범주별로 성능을 분석하기 위해 추론 실험을 수행한다.

실험 결과

연구 질문

• RQ1 전신 CT 영상에서 다양하고 작으며, 대trast가 낮은 병변을 탐지하는 데 있어서 one-stage 검출기가 기존의 두 단계 검출기들보다 뛰어난 성능을 낼 수 있는가?
• RQ2 완전한 수동 세그멘테이션 없이도 약한 RECIST 애너테이션을 얼마나 효과적으로 활용하여 정확한 조밀한 마스크를 생성할 수 있는가?
• RQ3 기본 설정 대비 차분 진화 알고리즘이 의료 병변 탐지에 적합한 앵커 구성 최적화에 얼마나 효과적인가?
• RQ4 조밀한 마스크 지도 학습을 통합하면 특히 소형 병변에 대해 감도와 정위치 정확도가 얼마나 향상되는가?
• RQ5 주의 메커니즘과 바운딩 박스 헤드 및 마스크 헤드 간의 일관성 정규화를 통합하면 검출기 성능이 추가로 향상되는가?

주요 결과

• 제안된 one-stage RetinaNet은 DeepLesion 벤치마크에서 1 이미지당 4개의 가짜 양성 결과에서 90.77%의 감도를 기록하여 이전의 최고 성능 기준 3DCE보다 5.12% 포인트 높다.
• 차분 진화를 통한 앵커 구성 최적화만으로도 기준 RetinaNet 대비 0.5 FP/이미지에서 감도가 2.34% 향상되었다.
• GrabCut로 생성된 마스크에서 유도된 조밀한 마스크 지도 학습을 추가함으로써 0.5 FP/이미지에서 감도가 5.42% 향상되었으며, 픽셀 수준의 훈련 신호의 가치를 입증한다.
• 주의 게이트의 통합으로 성능이 추가로 향상되어 1 이미지당 4개의 가짜 양성 결과에서 최종적으로 90.77%의 감도를 달성하였고, 최고의 이전 결과 대비 0.5 FP에서 10% 향상되었다.
• 모든 병변 크기 범주에서 뛰어난 성능을 기록하였으며, 특히 소형 병변에서 두드러진 성과를 보여 이른 단계의 질병 징후 탐지 능력 향상을 시사한다.
• 시각화 결과는 생성된 마스크가 공간적으로 일관성이 있으며, 예측 결과가 지표와 잘 일치함을 확인하여 약한 지도 학습 기반 마스크 생성의 품질을 검증한다.