[논문 리뷰] Kidney Recognition in CT Using YOLOv3

Andréanne Lemay|arXiv (Cornell University)|2019. 10. 03.

Advanced Neural Network Applications참고 문헌 7인용 수 13

한 줄 요약

이 논문은 CT 영상에서 2D 및 3D 신장 검출을 위해 YOLOv3를 사용하는 것을 제안하며, 단일 스텝 추론을 활용해 실시간 성능를 달성한다. 2D에서 0.851의 Dice 점수, 3D에서 0.742의 점수를 기록하여 낭성 및 종양성 신장과 같은 다양한 신장 형태에 걸쳐 강력한 검출 성능를 입증한다. YOLOv3는 정확도는 유사한 수준을 유지하면서도 SSD보다 빠른 속도를 보이며 성능을 뛰어넘는다.

ABSTRACT

Organ localization can be challenging considering the heterogeneity of medical images and the biological diversity from one individual to another. The contribution of this paper is to overview the performance of the object detection model, YOLOv3, on kidney localization in 2D and in 3D from CT scans. The model obtained a 0.851 Dice score in 2D and 0.742 in 3D. The SSD, a similar state-of-the-art object detection model, showed similar scores on the test set. YOLOv3 and SSD demonstrated the ability to detect kidneys on a wide variety of CT scans including patients suffering from different renal conditions.

연구 동기 및 목표

• 2D 및 3D CT 영상에서 YOLOv3의 신장 국소화 성능 평가
• 정확도 및 추론 속도 측면에서 YOLOv3와 유사한 최신 기술인 SSD 간의 비교
• 건강한 신장, 낭성, 종양성 신장과 같은 다양한 신장 형태에 대한 일반화 능력 평가
• 비최대 억제(non-maximum suppression)를 사용한 2D 검출에서 3D로의 확장 과정에서 발생하는 문제점과 오류 전파 영향 분석
• 적응 방사선 치료 및 복강경 수술과 같은 임상 적용 분야에서 실시간 장기 검출의 가능성 탐색

제안 방법

• YOLOv3는 KiTS2019 및 보조 데이터셋에서 확보한 14건의 스캔에서 유도된 2911장의 2D CT 슬라이스(512×512)를 사용해 훈련되었으며, 이 중 1200장은 신장을 포함하고 있었다.
• 각 CT 슬라이스는 독립적으로 2D 입력으로 처리되었으며, YOLOv3는 신장 국소화를 위한 바운딩 박스를 예측하였다.
• 2D 검출 결과를 3D 바운딩 박스로 통합하기 위해 교차 영역 비율(IoU) 임계값을 사용한 3D 일반화 비최대 억제 기법이 적용되었다.
• 모든 슬라이스에 대해 히스토GRAM 균형 조정이 적용되어 CT 강도 수준의 다양성에 걸쳐 검출 성능 향상을 도모하였다.
• 비교 기준으로 동일 조건에서 훈련 및 평가된 MobileNet 특징 추출을 사용하는 SSD 모델이 사용되었다.
• 훈련 및 추론에는 Google Colab에서 실행된 TensorFlow Object Detection API를 사용하였으며, 추론 속도는 320×320 픽셀 이미지 기준으로 측정되었다.

실험 결과

연구 질문

• RQ1 YOLOv3는 대조도 및 병변이 다양하게 나타나는 다양한 CT 영상에서 2D 및 3D 신장 검출에 대해 높은 정확도를 달성할 수 있는가?
• RQ2 YOLOv3는 신장 검출의 정확도 및 추론 속도 측면에서 SSD와 비교해 어떻게 성능을 내는가?
• RQ3 YOLOv3의 주요 실패 원인은 무엇인가? 특히 형태 변화 및 바운딩 박스 정렬 오류에 대해 설명할 수 있는가?
• RQ4 비최대 억제를 사용해 3D 바운딩 박스를 생성할 경우, 2D에서 3D로의 오류 전파 정도는 어느 정도인가?
• RQ5 확장된 신장 형태, 예를 들어 비대된 신장이나 심한 낭성 변화를 보이는 신장과 같은 새로운 형태의 신장에 YOLOv3가 일반화될 수 있는가?

주요 결과

• YOLOv3는 2D 테스트 세트에서 0.851의 Dice 점수를 기록하여 건강한, 낭성, 종양성 신장과 같은 다양한 유형의 신장에 걸쳐 강력한 성능를 보였다.
• 3D 검출 성능는 낮아졌으며, 주로 2D에서 3D로의 오류 전파와 정확도가 떨어지는 3D 바운딩 박스 피팅으로 인해 0.742의 Dice 점수를 기록하였다.
• YOLOv3는 정확도는 유사한 수준을 유지하면서도 추론 속도에서 우수한 성능를 보였으며, 320×320 이미지당 22ms의 시간이 소요되었고, 이는 SSD의 60ms보다 빠른 수준이었다 (Dice: 0.851 vs. 0.855).
• 비정상적인 크기나 형태의 신장, 특히 비대된 신장의 경우, 알려지지 않은 종횡비에 대한 일반화 능력이 떨어져 검출에 어려움을 겪었다.
• 바운딩 박스의 해상도가 낮고 신장의 끝부분과 정렬되지 않아, 특히 대trast가 낮거나 작은 기능이 있는 영역에서 검출 정확도가 떨어졌다.
• 비최대 억제 기법이 축에 수직이 아닌 신장의 경우 적절히 영역을 포함하지 못해 3D 바운딩 박스에 오버플로우 현상이 발생하였으며, 특히 낭성 또는 기울어진 장기에서 두드러졌다.