[논문 리뷰] Machine learning methods for accurate delineation of tumors in PET images

Jakub Czakon, Filip Drapejkowski외 4명|arXiv (Cornell University)|2016. 10. 29.

Medical Image Segmentation Techniques참고 문헌 5인용 수 4

한 줄 요약

이 연구는 3D PET 영상에서 종양 경계 설정을 위한 기계학습 방법—공간적 거리 가중 퍼지 c-의미(FCM), 사전 기반 모델링, 3D 합성곱 신경망(CNNs)—을 평가한다. 3D CNN이 가장 높은 Dice 점수(평균 0.86, 중앙값 0.89)를 기록하여 다른 방법들을 압도했으며, 특히 필름 데이터에서 뛰어난 성능을 보이며 종양 세분화의 정확성과 재현 가능성을 높일 잠재력을 입증한다.

ABSTRACT

In oncology, Positron Emission Tomography imaging is widely used in diagnostics of cancer metastases, in monitoring of progress in course of the cancer treatment, and in planning radiotherapeutic interventions. Accurate and reproducible delineation of the tumor in the Positron Emission Tomography scans remains a difficult task, despite being crucial for delivering appropriate radiation dose, minimizing adverse side-effects of the therapy, and reliable evaluation of treatment. In this piece of research we attempt to solve the problem of automated delineation of the tumor using 3d implementations of the spatial distance weighted fuzzy c-means, the deep convolutional neural network and a dictionary model. The methods, in diverse ways, combine intensity and spatial information.

연구 동기 및 목표

• PET 스캔에서 수작업 종양 경계 설정의 높은 관찰자 간 및 관찰자 내 변동성을 해결하기 위해.
• 3D PET 영상에서 정확한 종양 세분화를 위한 자동화되고 재현 가능한 방법을 개발하고 평가하기 위해.
• 전통적인 클러스터링 방법(K-의미, GMM)과 비교하여 기계학습 기법—SDWFCM, DICT, CNN—의 종양 경계 설정 성능을 평가하기 위해.
• 임상 스캔, 필름, 시뮬레이션 스캔을 포함한 다양한 데이터 유형에서 방법의 강건성 평가하기 위해.
• 세분화 오차를 최소화하고 방사선 치료 계획에서 일관성을 향상시키기 위한 최적의 방법 식별하기 위해.

제안 방법

• 픽셀 위치가 클러스터 중심에 비해 얼마나 가까운지를 고려하여 공간적 근접성을 퍼지 클러스터링에 통합하는 3D 공간적 거리 가중 퍼지 c-의미(SDWFCM)를 적용하였다.
• 각 테스트 패치를 학습된 패치-라벨 쌍의 사전에서 가장 유사한 패치 기반으로 라벨링하는 3x3x3 영상 패치를 사용한 사전 기반 모델을 구현하였다.
• 예측값과 참값 간 유클리드 손실을 최소화하기 위해 AdaGrad를 사용하여, 세 개의 합성곱층, ReLU 활성화 함수, 드롭아웃을 포함한 3D 합성곱 신경망(CNN)을 훈련시켰다.
• 3D CNN 접근법에서 훈련 샘플 수가 제한되어 있어, 회전 변환을 통한 데이터 증강을 적용하여 보완하였다.
• CNN 방법를 제외한 나머지 방법에 대해 분할 레이블를 정제하기 위해 형태학적 열림과 닫힘 연산을 적용하였다.
• GMM 및 CNN를 제외한 나머지 방법에 대해 날카운 영역을 가우시안 필터로 블러링하여 일관성을 향상시켰다.

실험 결과

연구 질문

• RQ1 전통적인 클러스터링 방법과 비교해 3D 기계학습 모델이 PET 영상에서 종양 경계 설정의 정확성과 재현 가능성 향상에 기여할 수 있는가?
• RQ2 공간적 인식 클러스터링(SDWFCM), 패치 기반 사전 학습(DICT), 딥 러닝(CNN)은 다양한 데이터 유형에서 종양 세분화에 어떻게 비교되는가?
• RQ3 어려운 임상 스캔에서 자동화된 방법과 수작업 경계 설정 간의 성능 격차는 무엇인가?
• RQ4 클러스터링에 공간적 맥락(SDWFCM) 또는 딥 특징 학습(CNN)을 통합할 경우, 세분화 일관성 향상과 부피 오차 감소에 기여하는가?
• RQ5 다양한 방법이 임상 스캔과 필름 및 시뮬레이션 데이터에서 어떻게 성능을 내며, 성능 격차의 원인은 무엇인가?

주요 결과

• 3D 합성곱 신경망(CNN)이 가장 높은 평균 Dice 계수 0.86과 중앙값 0.89를 기록하여 모든 다른 방법들을 압도했다.
• 필름 스캔에서 CNN 방법는 두 번째로 좋은 방법보다 평균 7%의 성능 우위를 보이며, 통제된 데이터에서 강력한 강건성을 입증했다.
• 임상 스캔에서는 CNN이 평균 22%의 종양 부피를 과대평가한 반면, SDWFCM는 3%를 과소평가하여 정밀도와 민감도 사이의 상충 관계를 보였다.
• CNN과 DICT 방법는 각각 민감도 0.89와 0.85로 가장 높았지만, 종양 부피 과대평가 평균 10%를 보였다.
• SDWFCM는 가장 높은 정밀도(0.85)를 기록했지만 민감도가 가장 낮아 종양 부피를 과소평가했다.
• Clinical_1는 가장 도전적인 케이스였으며, 모든 방법이 Dice 점수 0.69를 초과하지 못했지만, 가우시안 블러링이 이 케이스의 세분화를 향상시켰다.