Core Concepts
약하게 감독된 의료 영상 분할을 위해 2D 인코더를 사용하여 3D 볼륨의 예측을 재구성하는 ToNNO 방법을 제안한다.
Abstract
이 논문은 3D 의료 영상의 약하게 감독된 분할을 위한 ToNNO(Tomographic Reconstruction of a Neural Network's Output) 방법을 제안한다.
- 데이터셋에는 3D 의료 영상과 관심 영역(예: 종양, 병변 등)의 존재 여부를 나타내는 이진 레이블만 있다.
- ToNNO는 2D 인코더(ResNet)를 사용하여 3D 볼륨의 다양한 각도에서 추출한 2D 슬라이스를 분류한다.
- 이 2D 분류기의 출력을 역 라돈 변환을 통해 3D 히트맵으로 재구성하여 관심 영역을 분할한다.
- ToNNO는 기존 클래스 활성화 매핑(CAM) 방법보다 우수한 성능을 보인다.
- 또한 CAM 방법을 ToNNO 프레임워크에 통합한 Averaged CAM과 Tomographic CAM을 제안하여 성능을 더 향상시킨다.
- 4개의 대규모 의료 영상 데이터셋에서 실험한 결과, ToNNO와 개선된 CAM 방법이 기존 CAM 방법을 크게 능가하는 것을 확인했다.
Stats
다발성 경화증 데이터셋에서 ToNNO는 LayerCAM 대비 Dice 점수가 0.12 향상되었다.
AutoPET 데이터셋에서 Tomographic LayerCAM은 LayerCAM 대비 recall이 0.18 향상되었다.
MosMed 데이터셋에서 Averaged LayerCAM은 LayerCAM 대비 Dice 점수가 0.13 향상되었다.
Duke 데이터셋에서 ToNNO는 LayerCAM 대비 MaxIoU가 0.08 향상되었다.
Quotes
"ToNNO는 2D 인코더를 사용하여 3D 볼륨의 예측을 재구성하는 일반적인 방법이다."
"Averaged CAM과 Tomographic CAM은 ToNNO 프레임워크에 CAM 방법을 통합하여 성능을 더 향상시킨다."