3D 경계 제약을 갖춘 딥 신경망을 통한 개선된 복부 다기관 세그멘테이션

임상적으로 획득한 CT 영상에서 복부 영역에 대한 정량적 평가를 위해서는 복부 기관들의 동시에 세그멘테이션(분할)이 필요하다. 고성능 계산 자원의 가용성 덕분에 딥러닝 기반의 방법들은 3차원 복부 CT 영상의 세그멘테이션에서 최첨단 성능을 달성하고 있다. 그러나 경계가 모호한 기관들의 복잡한 특성으로 인해 딥러닝 기법은 이러한 해부학적 기관을 정확하게 세그멘테이션하는 데 어려움을 겪는다. 특히 기관 간 경계의 강도가 매우 다양하게 변하기 때문에 기관 경계에 위치한 볕셀(Voxel)들은 잘못 예측되기 쉬운 경향이 있다. 본 논문은 기존의 3차원 인코더-디코더 네트워크의 복부 영상 세그멘테이션 성능을 개선하기 위해 기관 경계 예측을 보조 작업으로 활용할 가능성에 대해 탐구한다. 복부 다기관 세그멘테이션 문제를 해결하기 위해, 다중 작업 학습(Multi-task Learning)을 통해 3차원 인코더-디코더 네트워크가 CT 영상에서 복부 기관과 그에 해당하는 경계를 동시에 세그멘테이션하도록 훈련한다. 이 네트워크는 두 가지 작업별 손실 함수를 결합한 손실 함수를 사용하여 엔드 투 엔드(end-to-end) 방식으로 훈련된다. 즉, 완전한 기관 세그멘테이션 손실과 경계 예측 손실이다. 본 연구는 통합된 다중 작업 프레임워크 내에서 두 작업 간의 가중치 공유 정도에 따라 두 가지 다른 네트워크 아키텍처를 탐색하였다. 보조적인 경계 예측 작업의 활용이 복부 다기관 세그멘테이션 성능 향상에 기여하는지 평가하기 위해, 세 가지 최신의 인코더-디코더 네트워크인 3D UNet, 3D UNet++, 그리고 3D Attention-UNet을 사용하였다. 기관 경계 정보를 활용하는 효과는 두 개의 공개된 복부 CT 데이터셋에서 평가되었다. Pancreas-CT 데이터셋과 BTCV 데이터셋에서 각각 평균 디스 점수(Mean Dice Score)에 대해 최대 3.5%, 3.6%의 상대적 개선이 관측되었다.