[논문 리뷰] U-Det: A Modified U-Net architecture with bidirectional feature network for lung nodule segmentation

Nikhil Keetha, Samson Anosh Babu Parisapogu외 1명|arXiv (Cornell University)|2020. 03. 20.

Lung Cancer Diagnosis and Treatment인용 수 29

한 줄 요약

U-Det는 유방형 특징망(Bi-FPN)을 갖춘 수정된 U-Net 아키텍처를 제안하여 CT 영상에서 폐결절 분할을 향상시킨다. Mish 활성화 함수와 클래스 가중 손실을 사용하여 훈련을 강화한다. LUNA16 데이터셋에서 82.82%의 Dice 유사도 계수를 기록하여 인간 전문가와 기존 모델들을 능가하며, 특히 작은 어려운 결절에서 뛰어난 성능을 보인다.

ABSTRACT

Early diagnosis and analysis of lung cancer involve a precise and efficient lung nodule segmentation in computed tomography (CT) images. However, the anonymous shapes, visual features, and surroundings of the nodule in the CT image pose a challenging problem to the robust segmentation of the lung nodules. This article proposes U-Det, a resource-efficient model architecture, which is an end to end deep learning approach to solve the task at hand. It incorporates a Bi-FPN (bidirectional feature network) between the encoder and decoder. Furthermore, it uses Mish activation function and class weights of masks to enhance segmentation efficiency. The proposed model is extensively trained and evaluated on the publicly available LUNA-16 dataset consisting of 1186 lung nodules. The U-Det architecture outperforms the existing U-Net model with the Dice similarity coefficient (DSC) of 82.82% and achieves results comparable to human experts.

연구 동기 및 목표

• 다양한 형태, 크기, 복잡한 주변 해부학적 환경을 가진 결절로 인해 폐결절 분할이 어려운 점을 해결한다.
• 기존 방법과 표준 U-Net의 한계를 극복하여 소형, 혈관접근성, 복합성, 기저막 투명도 결절을 효과적으로 처리한다.
• 다중 척도 특징 융합과 효율적인 훈련 메커니즘을 통해 특징 추출 및 분할 정확도를 향상시킨다.
• LUNA16 벤치마크 데이터셋에서 방사선 전문의 수준 또는 그 이상의 성능을 달성한다.

제안 방법

• U-Net의 인코더와 디코더 사이에 이중 방향 특징망(Bi-FPN)을 통합하여 다중 척도 특징 융합과 특징 표현 향상을 가능하게 한다.
• 표준 활성화 함수를 Mish 활성화 함수로 대체하여 기울기 흐름과 모델 표현력 향상을 도모한다.
• 훈련 중 마스크에 대해 클래스 가중 손실을 적용하여 클래스 불균형 문제를 완화하고 소형 또는 희귀 결절의 분할 성능을 향상시킨다.
• 과적합을 완화하고 LUNA16 데이터셋의 상대적으로 작은 크기에 대비한 일반화 능력을 향상시키기 위해 데이터 증강 기법을 활용한다.
• 스킵 연결을 유지하면서 U-Net 백본을 사용하여 특징 인코딩 및 디코딩을 수행한다.
• LUNA16 데이터셋에서 전체 888건의 CT 스캔에 걸쳐 1186개의 폐결절을 포함하여 엔드 투 엔드 모델을 훈련한다.

실험 결과

연구 질문

• RQ1 이중 방향 특징망을 갖춘 수정된 U-Net은 다양한 유형의 폐결절, 특히 소형 및 어려운 결절의 분할 정확도 향상에 기여하는가?
• RQ2 Mish 활성화 함수와 클래스 가중 손실의 통합이 모델 수렴 및 분할 성능에 어떤 영향을 미치는가?
• RQ3 기존 U-Net의 표준 스킵 연결 대비 Bi-FPN은 다중 척도 특징 융합에 얼마나 효과적인가?
• RQ4 제안된 U-Det 모델은 폐결절 분할에서 전문 방사선 전문의 수준의 성능을 달성하거나 초월하는가?
• RQ5 U-Det은 낭성 결절, 기저막 투명도 결절, 복합성 결절과 같은 특정 어려운 케이스에서 어떻게 성능을 발휘하는가?

주요 결과

• U-Det은 LUNA16 테스트 세트에서 82.82%의 Dice 유사도 계수(DSC)를 기록하여 인간 전문가 평균(82.25%)을 초월했다.
• 소형 결절(지름 <6 mm)에 대해 DSC가 83.40%를 기록하여 초기 단계의 결절 탐지 능력이 뛰어나다는 것을 보여주었다.
• 접근성 결절(혈관접근성 및 복합성)에 대해 DSC는 81.82%였으며, 어려운 해부학적 환경에서도 강건함을 입증했다.
• 감도는 92.24%이며, 양성 예측도(PPV)는 78.92%를 기록하여 높은 탐지율과 정밀도를 확보했다.
• 시각화 결과는 U-Det이 소형 결절, 낭성 결절, GGO 결절을 효과적으로 분할함을 확인했으며, 기존 방법으로는 어려운 경우에도 유의미한 성능 향상을 보였다.
• U-Det은 DB-ResNet(82.74% DSC), FCN-UNET(77.84% DSC), 기타 CNN 기반 아키텍처보다도 분할 정확도에서 뛰어난 성능을 보였다.