[논문 리뷰] Single-view 2D CNNs with Fully Automatic Non-nodule Categorization for False Positive Reduction in Pulmonary Nodule Detection

Hyunjun Eun, Daeyeong Kim외 2명|PubMed|2020. 03. 09.

Lung Cancer Diagnosis and Treatment참고 문헌 43인용 수 12

한 줄 요약

이 논문은 폐결절 탐지에서 임상적 도입의 주요 장벽인 가짜 양성 결과를 줄이기 위해, 완전 자동 비결절 유형 분류를 통한 단시점 2D CNN 앙상블을 제안한다. 비결절의 다양성을 자동으로 클러스터링하는 오토에인코더 기반 기법을 사용하여 각 유형에 맞게 별도의 2D CNN을 훈련시킴으로써, 낮은 계산 비용(789K 파라미터, 1,024M FLOPs/초)으로도 최신 기술 수준의 성능(0.922 FROC 점수)을 달성한다. 이는 3D CNN 기반 방법보다 뛰어난 성능을 보이며 높은 효율성을 유지한다.

ABSTRACT

We presented a novel false positive reduction framework, the ensemble of single-view 2D CNNs with fully automatic non-nodule categorization, for pulmonary nodule detection. Unlike previous 3D CNN-based frameworks, we utilized 2D CNNs using 2D single views to improve computational efficiency. Also, our training scheme using categorized non-nodules, extends the learning capability of representative features of different non-nodules. Our framework achieved state-of-the-art performance with low computational complexity.

연구 동기 및 목표

• CAD 시스템의 임상적 도입을 방해하는 주요 장애물인 폐결절 탐지에서의 가짜 양성 결과 감소.
• 훈련 데이터에서 결절과 비결절 간의 높은 내부 클래스 다양성과 불균형 문제 해결.
• 3D CNN의 높은 계산 비용을 줄이면서도 성능을 유지하거나 향상시키기.
• 방사선의사의 수작업 비결절 유형 분류를 완전 자동 클러스터링으로 대체하기.
• 다양한 비결절 유형으로 분류된 데이터를 훈련에 활용함으로써 단일 시점 패치에 대한 2D CNN의 특징 학습 능력 향상.

제안 방법

• 계산 부담을 줄이기 위해 3D 볼륨 패치 대신 결절 후보에서 추출한 2D 단일 시점 패치를 사용.
• 비결절 패치의 압축된 표현을 학습하기 위해 오토에인코더 적용.
• 오토에인코더로 인코딩된 특징에 대해 k-means 클러스터링을 수행하여 비결절을 자동으로 고유한 유형으로 분류.
• 각각의 비결절 유형에 맞게 동일한 결절 샘플을 사용하여 별도의 2D CNN을 훈련시어 특징 구분 능력을 향상.
• 각 비결절 유형에 특화된 전용 2D CNN의 출력을 앙상블하여 일반화 능력 향상.
• 각 CNN이 특정 비결절 유형에 할당되도록 훈련을 최적화하여 특징 혼동을 줄이고 학습 효율성 향상.

실험 결과

연구 질문

• RQ1 2D 단일 시점 CNN이 3D CNN 수준의 최신 기술 수준의 가짜 양성 결과 감소 성능를 달성할 수 있는가?
• RQ2 딥 테이터 기반의 자동 비결절 유형 분류가 CNN의 일반화 능력 향상과 가짜 양성 결과 감소에 기여하는가?
• RQ3 다양한 비결절 유형에 대해 별도의 2D CNN을 훈련시키는 것이 혼합된 비결절 데이터로 훈련하는 것보다 특징 학습 능력을 향상시키는가?
• RQ4 제안된 프레임워크는 3D CNN 대비 뚜렷한 계산 복잡도 감소를 유지하면서도 높은 성능을 유지하는가?
• RQ5 LUNA16 벤치마크에서 비결절 유형에 특화된 2D CNN 앙상블이 기존의 2D 및 3D 방법들을 초월하는가?

주요 결과

• 제안된 프레임워크는 LUNA16 데이터셋에서 경쟁 성능 지표 점수 0.922를 기록하여 새로운 최신 기술 수준을 수립했다.
• 이 성능는 뿐만 아니라 높은 계산 효율성도 확보하여 단지 789K 파라미터와 1,024M FLOPs/초로 달성되었다.
• Multi-MTANN 및 기타 3D CNN 기반 방법들을 초월하였으며, 특히 각 스캔당 가짜 양성 결과에 더 민감한 더 도전적인 평가 환경에서도 성능이 뛰어났다.
• 자신의 비결절 유형 분류 기반의 자동화가 모델의 일반화 능력을 크게 향상시켰음을 입증하였으며, 혼합 비결절 데이터와 분류된 비결절 데이터로 훈련된 모델 간의 성능 격차가 뚜렷했다.
• 다양한 비결절 유형에 대해 훈련된 2D CNN 앙상블이 단일 네트워크보다 뛰어난 성능을 보였으며, 다양한 훈련의 이점을 확인했다.
• 제거 분석을 통해 비결절 유형 분류가 성능 향상의 핵심 요소임을 확인하였으며, AE 및 DAE 기반 훈련 세트가 가장 우수한 성능를 기록했다.