[논문 리뷰] SCAN: Structure Correcting Adversarial Network for Organ Segmentation in Chest X-rays

Wei Dai, Joseph Doyle외 5명|arXiv (Cornell University)|2017. 03. 26.

COVID-19 diagnosis using AI참고 문헌 26인용 수 28

한 줄 요약

이 논문은 저자원, 다변화된 흉부 X선(CXR) 영상에서 제한된 애너테이션 데이터로도 폐와 심장의 정확하고 현실적인 분할을 가능하게 하는 구조 보정 적대적 네트워크(SCAN)를 제안한다. 이는 생리학적 구조적 사전 지식을 반영하는 크리틱 네트워크를 통해 달성되며, 결과적으로 인간 수준의 성능을 달성하고 다양한 환자 집단과 영상 조건에서 잘 일반화된다.

ABSTRACT

Chest X-ray (CXR) is one of the most commonly prescribed medical imaging procedures, often with over 2-10x more scans than other imaging modalities such as MRI, CT scan, and PET scans. These voluminous CXR scans place significant workloads on radiologists and medical practitioners. Organ segmentation is a crucial step to obtain effective computer-aided detection on CXR. In this work, we propose Structure Correcting Adversarial Network (SCAN) to segment lung fields and the heart in CXR images. SCAN incorporates a critic network to impose on the convolutional segmentation network the structural regularities emerging from human physiology. During training, the critic network learns to discriminate between the ground truth organ annotations from the masks synthesized by the segmentation network. Through this adversarial process the critic network learns the higher order structures and guides the segmentation model to achieve realistic segmentation outcomes. Extensive experiments show that our method produces highly accurate and natural segmentation. Using only very limited training data available, our model reaches human-level performance without relying on any existing trained model or dataset. Our method also generalizes well to CXR images from a different patient population and disease profiles, surpassing the current state-of-the-art.

연구 동기 및 목표

• 제한된 애너테이션 데이터를 가진 저자원, 다변화된 흉부 X선(CXR) 영상에서 정확한 기관 분할 문제를 해결하는 것.
• 해부학적 인접성 및 윤곽 랜드마크와 같은 암묵적인 생리학적 구조 지식을 딥 러닝 모델에 통합하여 분할의 현실성 향상.
• 사전 훈련 모델이나 외부 데이터셋에 의존하지 않고 다양한 환자 집단, 질환 프로필, 영상 품질에서 잘 일반화되는 방법 개발.
• 최소한의 애너테이션 훈련 데이터만을 사용하여 인간 수준의 분할 성능를 달성하는 것.

제안 방법

• SCAN은 구조적 현실성을 강제하기 위해 크리틱 네트워크와 함께 끝에서 끝까지 훈련되는 완전 컨volution 네트워크(FCN)를 분할 헤드로 사용한다.
• 크리틱 네트워크는 진짜 기관 마스크와 분할 네트워크가 생성한 마스크를 구분하여 생리학적 제약 조건에서 고차원의 구조적 규칙을 학습한다.
• 적대적 훈련을 통해 크리틱 네트워크는 분할 네트워크가 더 해부학적으로 타당한 윤곽, 특히 갈비막각과 혈관 경계와 같은 모호한 영역에서 더 나은 결과를 도출하도록 이끈다.
• 이 프레임워크는 외부 사전 훈련 모델이나 도메인 특화 데이터가 필요 없어 새로운 데이터셋에 대해 제로샷 일반화가 가능하다.
• 테스트 시 추론은 효율적이며, 크리틱 네트워크는 배포 시 필요 없고 분할 네트워크의 순방향 전파만으로도 충분하다.
• 이 방법은 대조, 병변, 영상 프로토콜에서 상당한 차이가 나는 JSRT 및 Montgomery CXR 데이터셋에서 훈련 및 평가되었다.

실험 결과

연구 질문

• RQ1 구조 인식 크리틱 네트워크를 사용한 적대적 훈련이 표준 FCN 기반 베이스라인을 초월하여 흉부 X선 영상에서 폐와 심장의 의미 분할 성능을 향상시킬 수 있는가?
• RQ2 소규모 데이터셋에서 훈련된 모델이 사전 훈련이나 도메인 적응 없이 인간 수준의 성능를 달성할 수 있는 정도는 어느 정도인가?
• RQ3 이 방법은 다양한 환자 집단과 영상 조건에서의 CXR 영상으로 잘 일반화되는가?
• RQ4 크리틱 네트워크는 해부학적 인접성 및 윤곽 랜드마크와 같은 생리학적 구조적 사전 지식을 효과적으로 학습하고 강제 적용할 수 있는가?
• RQ5 제안된 방법은 기존의 상태의 기반 등록 기반 접근법보다 더 빠른 추론을 달성하는가?

주요 결과

• JSRT 평가 세트에서 SCAN은 91.4% ± 0.6%의 교차율(Intersection over Union, IoU)을 기록하여 이전의 최고 성능 기반의 등록 방법(90.3% ± 0.5%)을 능가했다.
• 더 어려운 조건을 가진 Montgomery 데이터셋—더 높은 병변 부담과 영상 변동성—에서 SCAN은 93.0% ± 1.4% IoU를 달성하여 FCN 기반 베이스라인(87.1% ± 0.8%)을 크게 앞섰다.
• JSRT 및 Montgomery 개발 세트를 함께 훈련한 경우, SCAN은 JSRT에서 95.1% ± 0.43% IoU, Montgomery에서 93.0% ± 1.4% IoU를 기록하여 강력한 일반화 능력을 입증했다.
• SCAN은 갈비막각과 같이 흉막 충적과 폐 과환기 진단에 중요한 해부학적 랜드마크에서 더 현실적이고 선명한 윤곽을 생성한다.
• 테스트 추론 시간은 400×400 이미지당 0.84초로, 기존의 등록 기반 최고 성능 방법이 요구하는 26초보다 크게 빠르다.
• 초기 설정 조정 없이도 다양한 데이터셋에서 잘 일반화되어 대조, 병변, 영상 품질의 변동성에 대해 강건함을 보였다.