Core Concepts
본 연구에서는 확산성 거대 B 세포 림프종 환자의 PET 영상에서 종양을 자동으로 검출하고 분할하기 위한 효율적인 3단계 딥 러닝 모델을 개발하고 검증하였다. 이 모델은 기존의 단일 엔드-투-엔드 분할 네트워크보다 약 19% 향상된 성능을 보였다.
Abstract
이 연구는 확산성 거대 B 세포 림마종(DLBCL) 환자의 PET 영상에서 종양을 자동으로 검출하고 분할하기 위한 효율적인 3단계 딥 러닝 모델을 제안한다.
모듈 1 (슬라이스 분류기): 이 모듈은 3D PET 영상의 축 방향 슬라이스를 종양이 포함된 슬라이스(전경)와 종양이 없는 슬라이스(배경)로 분류한다. ResNet152 기반의 이진 분류 네트워크를 사용한다.
모듈 2 (종양 검출기): 이 모듈은 모듈 1에서 선별된 전경 슬라이스에서 종양의 위치를 감지하고 바운딩 박스를 생성한다. Faster R-CNN 객체 탐지 네트워크를 사용한다.
모듈 3 (종양 분할기): 이 모듈은 모듈 2에서 생성된 바운딩 박스 내부의 종양을 분할한다. 2D U-Net 아키텍처를 사용한다.
이 3단계 모델은 단일 엔드-투-엔드 분할 네트워크(3D U-Net)보다 DLBCL 테스트 세트에서 약 19% 향상된 3D Dice 점수를 보였다. 각 전문화된 모듈이 특정 작업을 독립적으로 고도로 숙련되게 수행할 수 있기 때문에 성능이 향상되었다.
향후에는 변형 가능한 합성곱 유닛을 객체 탐지 네트워크에 통합하는 등 탐지 모듈의 성능을 개선하는 방법을 탐구할 계획이다. 종양학 PET 영상에 대한 딥 러닝 기반 분할 방법은 향후 개인 맞춤형 암 치료에 큰 잠재력을 가지고 있다.
Stats
전체 PMBCL 데이터셋: 31,126개 축 방향 슬라이스 (2,958개 전경, 28,168개 배경)
전체 DLBCL 데이터셋: 13,185개 축 방향 슬라이스 (1,217개 전경, 11,968개 배경)
PMBCL 테스트 세트: 6,101개 축 방향 슬라이스
DLBCL 테스트 세트: 2,893개 축 방향 슬라이스 (241개 전경, 2,652개 배경)
PMBCL 종양 분할 테스트 세트: 1,306개 ROI
DLBCL 종양 분할 테스트 세트: 329개 ROI
Quotes
"단일 엔드-투-엔드 분할 네트워크(3D U-Net)를 적용한 경우 DLBCL 테스트 세트에서 3D Dice 점수가 58.9% ± 16.1%였지만, 제안한 3단계 모델에서는 78.1% ± 8.6%로 약 19% 향상되었다."
"각 전문화된 모듈이 특정 작업을 독립적으로 고도로 숙련되게 수행할 수 있기 때문에 성능이 향상되었다."