Automatic Segmentation of Liver Lesion Using CT Attenuation-Integrated UNet in Abdominal CT Imaging = CT감쇄보강 네트워크를 이용한 간 병변의 자동분할 기술 연구

다국어 초록 (Multilingual Abstract)

An automatic segmentation of liver lesion is one of the essential processes for computer-aided diagnosis for screening of liver diseases. Recently, deep learning based approaches are getting a lot of attention due to giving a higher performance compared with conventional methods. In this study, we proposed an in-house, reinforced U-Net, i.e., the ‘CT attenuation-integrated U-Net (CAI-UNet)’ as a new deep learning model for automatic segmentation of focal liver lesion in abdominal CT imaging. The CAI-UNet is based on the basic U-Net. The CAI-UNet is focused on the CT attenuation value, which is significant information to differentiate between healthy tissues and lesions in CT imaging, but could not be directly included after passing through several convolutional operations in the basic U-Net. We introduced directly the connection between outputs of the last 3x3 convolution and a raw input image to enhance CT attenuation information. For training CAI-UNet, the weighted dice loss function was used to solve the imbalance of target lesions. For evaluation, we used LiTS challenge dataset of 131 abdominal CT which contained various focal liver lesions, and selected 90 sets containing liver metastasis by a radiologist with more than 30 years of experience. For statistical analysis, we performed a paired t-test to compare the lesion segmentation accuracy between deep learning models including U-Net only, U-Net+Weighted Loss and CAI-UNet+Weighted Loss. Our results showed that CAI-UNet in performing liver lesion segmentation yielded 0.646 global dice score, 0.543 subject dice score, 0.568 specificity score and 0.651 precision score on test dataset. We also found that the CAI-UNet showed the significant improvement for segmentation of liver lesions compared with U-Net only (P < 0.05). In conclusion, we proposed the CAI-UNet, which is using the CT attenuation information, by adding the direct connection between the last layer and the raw input image, and our results using LiTS dataset showed that the CAI-UNet showed a significant improvement, as compared with the U-Net. The proposed CAI-UNet could be used to improve the detection of liver lesion.

국문 초록 (Abstract)

자동 간 병변 분할은 간 질환 진단을 위한 컴퓨터 보조 진단 (CAD) 시스템에서 필요한 작업 중 하나이다. 최근에는 딥러닝 기반 접근 방식을 이용한 간 병변 분할이 기존 방법들에 비해 높은 성능을 보이고 있어 많은 주목을 받고 있다. 본 연구에서는 복부 CT 영상에서 간 병변을 자동으로 구분하기 위해 CT감쇄보강 네트워크(CT Attenuation Integrated UNet, CAI-UNet)를 제안했다. CT감쇄값은 건강한 조직과 병변을 구별해내는 중요한 정보 중에 하나이다. 이를 고려하려 우리는 합성곱 연산과정에서 반영되지 못했던 CT감쇄값을 반영한 네트워크를 제안하였다. 기본 구조는 U-Net을 기반으로 만들어졌으며, CT감쇄값 정보를 향상시키기 위해 마지막 3x3 합성곱 출력과 원시 입력 이미지 간의 연결을 직접 도입했다. 또한 가중치를 적용한 손실 함수를 사용하여 간 및 병변 분할 네트워크를 학습함으로써 병변 데이터의 불균형 문제를 해소하였다. 성능을 평가하기 위해 LiTS 챌린지 데이터를 사용하였으며, 30 년 이상의 경험을 가진 방사선 의사가 131개의 다양한 병변을 포함한 훈련데이터 중 90개의 전이 CT영상만을 선별하였다. 제안한 네트워크의 통계적 유의성을 측정하기 위해 U-Net, U-Net에 가중치를 적용한 손실함수로 훈련시킨 경우, CAI-UNet에 가중치를 적용한 손실함수로 훈련시킨 경우들 사이에 대응 표본 T검정(Paired T-Test)을 수행하였다. 실험 결과, 테스트데이터로부터 (전체)유사도 계수 0.646, (부분)유사도 계수 0.543, 특이도 0.568 및 정밀도 0.651의 간 병변 분할 결과값을 얻었다. 또한, CAI-UNet이 U-Net과 비교하여 간 병변을 분할하는데 개선된 결과를 보여준다는 사실을 확인하였다(P<0.05). 결론적으로, LiTS 데이터를 사용해 평가하였을 때, 마지막 3x3 합성곱 출력과 원시 입력 이미지 간의 연결을 통해 CT감쇄값이 반영된 CAI-UNet은 간 병변을 분할하는데 있어 상당히 개선된 결과를 냈다. 제안한 네트워크는 간 병변을 조기 검출하는 작업에 도움이 될 수 있을 것이다.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1 Liver Tumor : Clinical Significance 1
• 1.1.1 Definition and Causes 1
• 1.1.2 Occurrence Frequency 1
• 1.1.3 Diagnosis and Treatment 2
• 1.2 Previous Works for Segmentation of Liver Tumor 4
• 1.2.1 Conventional Image Processing Methods 4
• 1.2.2 Deep Learning Methods 6
• 1.3 Purpose of Study 8
• Chapter 2. Background 10
• 2.1 Deep Learning 10
• 2.1.1 Perceptron 10
• 2.1.2 Multi-Layer Perceptron and Backpropagation 11
• 2.2 Convolutional Neural Network 13
• 2.2.1 The Advent of Convolutional Neural Network 13
• 2.2.2 Components of the Building Block 14
• 2.2.3 CNN Architectures 16
• 2.3 CNN for Segmentation : U-net 19
• Chapter 3. Materials & Methods 23
• 3.1 Data Preparation 23
• 3.2 Deep Learning 25
• 3.2.1 Pre-processing 25
• 3.2.2 Deep learning model for Liver Lesion Segmentation 25
• 3.3 Experiments 30
• 3.3.1 Training 30
• 3.3.2 Evaluation 30
• Chapter 4. Results 32
• 4.1 Descriptive Statistics of Lesion 32
• 4.2 Results of Segmentation 34
• 4.2.1 Liver 34
• 4.2.2 Lesion 37
• Chapter 5. Discussion 41
• 5.1 Liver Lesion Segmentation Strategy 41
• 5.2 Comparison 42
• 5.2.1 Between Masking and Cropping 42
• 5.2.2 Between Lesion Size and. Property 42
• 5.3 Study Limitation 43
• 5.3.1 Worse Results 43
• 5.3.2 The need of Inter-slice Information 43
• 5.3.3 Targets and Labeling 44
• Chapter 6. Conclusion 46
• Chapter 7. References 47
• Abstract(국문) 54