Lung Nodule Classification papers(폐결절 분류 모델)

LIDC-IDRI 데이터를 활용한 Lung Nodule Classification 모델

 

Github 코드가 공유되어 있는 것은 3개뿐..

 

1. ProCAN: Progressive Growing Channel Attentive Non-Local Network for Lung Nodule Classification

https://paperswithcode.com/paper/procan-progressive-growing-channel-attentive

Papers with Code - ProCAN: Progressive Growing Channel Attentive Non-Local Network for Lung Nodule Classification

CT Scan 시 폐암 분류는 조기 발견을 위한 가장 중요한 과제임

악성/양성 폐결절을 정확하게 분류할 수 있다면 많은 생명을 구할 수 있음

폐결절 악성/양성 분류를 위한 몇 가지 딥러닝 기반 모델이 제안되었으나, 결절의 크기가 이질적이기 때문에 이는 매우 어려운 작업임.

폐결절 분류를 위한 새로운 ProCAN(Progressive Growing Channel Attentive Non-Local) 네트워크 제안

이 방법에는 크게 세 가지 특징이 있음.

1. Channel attention/Spatial attention 능력을 추가하여 Non-local network를 개선시킴

2. 커리큘럼 학습 원칙을 적용하여 어려운 예제보다 쉬운 예제에서 먼저 모델을 훈련함

3, 커리큘럼에 따른 학습 중 분류 작업이 어려워짐에 따라 당면한 작업을 처리하는 능력을 증가시키기 위해 점진적으로 성장함

결과: 기존의 방법보다 성능을 능가함. 정확도 95.28%

 

 

2. Gated-Dilated Networks for Lung Nodule Classification in CT scans

https://paperswithcode.com/paper/gated-dilated-networks-for-lung-nodule

Papers with Code - Gated-Dilated Networks for Lung Nodule Classification in CT scans

CT Scan에서 폐결절 감지를 위해 다양한 유형의 CNN의 적용되고 있음

결절의 크기는 3~30mm 정도로 매우 다양함

결절 크기의 높은 다양성은 결절 분류를 어렵게 만듦

결절 분류(악성/양성)를 위해 GD(Gated-Dilated)네트워크라는 새로운 CNN 아키텍처 제안

이전 연구와는 달리, variations를 캡쳐하기 위해 max-pooling 대신 여러 확장된 convolution을 사용함

입력 feature를 분석하고 적절한 확장 convolution으로 연결하는 Context-Aware 서브네트워크가 존재

결절의 크기와 Context-Aware 서브네트워크에서 생성된 attention signal을 관찰하여 새로운 네트워크 아키텍쳐를 검증

결과: 베이스라인 모델과 비교하여 GD네트워크는 중간 크기 결절 분류의 정확도를 향상시킴, 95% 이상의 AUC

 

3. Learning Efficient, Explainable and Discriminative Representations for Pulmonary Nodules Classification

https://paperswithcode.com/paper/learning-efficient-explainable-and

Papers with Code - Learning Efficient, Explainable and Discriminative Representations for Pulmonary Nodules Classification

https://github.com/fei-hdu/NAS-Lung

GitHub - fei-hdu/NAS-Lung: 3D NAS for Pulmonary Nodules Classification, PR 2021

자동 폐결절 분류는 폐암의 조기 진단에 매우 중요함

최근 딥러닝 기술은 이 분야에서 눈부신 발전을 이룸

그러나 기존 모델들은 일반적으로 계산 복잡도가 높고 블랙박스 방식으로 작동함

이러한 문제를 해결하기 위해 효율적이고 (부분적으로) 설명 가능한 분류 모델을 구축하는 것을 목표로 함

NAS(Neural Architecture Search)를 이용하여 우수한 정확도/속도 trade-off로 3D 네트워크 아키텍처를 자동으로 검색

네트워크에서 CBAM(Convolutional Block Attention Module)을 사용하여 reasoning process를 이해하는 데 도움이 됨

훈련하는 동안 A-Softmax loss를 사용하여 각도 판별 학습

추론 단계에서 예측 정확도와 견고성을 향상시키기 위해 다양한 신경망 앙상블을 사용함

결과: 기존의 최신 기술과 비교하여 1/40 미만의 매개변수를 사용하고도 매우 유사한 성능을 보여줌

+ 경험적 연구에 따르면, 학습된 네트워크의 추론 과정은 의사의 진단 과정과 일치함

  

4. DeepLung: Deep 3D Dual Path Nets for Automated Pulmonary Nodule Detection and Classification

https://paperswithcode.com/paper/deeplung-deep-3d-dual-path-nets-for-automated

Papers with Code - DeepLung: Deep 3D Dual Path Nets for Automated Pulmonary Nodule Detection and Classification

https://github.com/uci-cbcl/DeepLung

GitHub - uci-cbcl/DeepLung: WACV18 paper "DeepLung: Deep 3D Dual Path Nets for Automated Pulmonary Nodule Detection and Classifi

완전 자동화된 CT 폐암 진단 시스템인 DeepLung 제시

DeepLung은 결절 감지(후보 결절의 위치 식별)와 분류(후보 결절을 양성 또는 악성으로 분류)의 두 요소로 구성됨

폐 CT 데이터의 3D 특성과 DPN(Dual Path Networks)의 소형화를 고려하여 결절 감지/분류를 위해 각각 2개의 심층 3D-DPN을 설계함

특히 R-CNN이 있는 3D Faster Regions는 3D DPN과 U-net 방식의 인코더/디코더 구조를 사용하여 결절 feature를 효과적으로 학습하도록 설계됨

결절 분류를 위해 3D DPN 기능을 갖춘 GBM(Gradient Boosting Machine)을 제안

DeepLung 시스템 내에서 후보 결절은 결절 검출 subnetwork에서 먼저 검출되고 결절 진단은 분류 subnetwork에서 수행됨

본 모델은 LIDC_IDRI의 공개 데이터셋에서 검증되었으며 최신 방식보다 더 나은 성능을 달성, 숙련된 의사의 성능을 능가함을 보여줌

 

 

Lung Nodule Classification using Deep Local-Global Networks

https://paperswithcode.com/paper/lung-nodule-classification-using-deep-local

Papers with Code - Lung Nodule Classification using Deep Local-Global Networks

https://github.com/mundher/local-global

GitHub - mundher/local-global: Official implementation of Lung Nodule Classification using Deep Local-Global Networks using PyTo

폐결절은 모양과 크기가 매우 다양하여 양성/악성 분류는 어려운 문제임.

Global feature 추출기를 이용하여 결절의 모양과 크기를 분석할 수 있는 능력과 결절의 악성도를 예측하는 방법과 local feature 추출기를 이용하여 결절의 밀도와 구조를 예측할 수 있는 방법을 제안함.

Local feature 추출을 위해 3x3커널 크기의 Residual Block을 사용하고 Global feature 추출을 위해 Non-Local Block 사용

Non-Local Block은 수많은 매개변수를 사용하지 않고도 Global feature를 추출할 수 있음

핵심 아이디어는 동일한 feature map의 feature 간에 행렬 곱셈을 적용하는 것.

3명 미만의 방사선전문의가 주석을 달았던 결절은 무시함

AUC = 95.62%로 뛰어난 성능을 보임

이 연구에서 제안한 Deep Local-Global 네트워크는 Local 및 Global Feature를 모두 정확하게 추출 가능

 

+ COVID-19

A Teacher-Student Framework with Fourier Augmentation for COVID-19 Infection Segmentation in CT Images

https://paperswithcode.com/paper/a-teacher-student-framework-with-fourier

Papers with Code - A Teacher-Student Framework with Fourier Augmentation for COVID-19 Infection Segmentation in CT Images

COVID-19의 초기 진단을 위해서는 ct 이미지에서 감염 부위의 자동 segmentation이 필요함

딥러닝 기반 방법으로 이 작업을 자동화할 수 있지만 pixel-levl annoation이 달린 많은 양의 데이터가 필요

더 쉽게 얻을 수 있는, 주석이 달린 폐암 CT 이미지로 심층 네트워크를 훈련하면 이 문제를 어느 정도 완화 가능

그러나 이 접근 방식은 domain shift로 인해 테스트 단계에서 보이지 않는 COVID-19 이미지에 적용할 때 성능이 저하될 수 있음

segmentation 네트워크의 일반화 능력을 향상시키기 위해 폐암 및 COVID-19 이미지에서 도메인 불변 특징 학습을 목표로 하는 새로운 비지도 COVID-19 감염 segmentation 방법 제안

Intensity shift 극복을 위해 먼저 푸리에 변환을 통한 효과적인 augmentation 접근 방식을 사용하여 주석이 달린 폐암 데이터를 레이블이 지정되지 않은 COVID-19 데이터 스타일로 변환함

Distribution shift를 줄이기 위해 rotation 불변 특성을 학습하는 teacher-student 네트워크를 설계함

본 네트워크는 훈련 중에 COVID-19 CT의 주석에 액세스하지 않고도 COVID-19 이미지 분할에 좋은 성능을 달성 가능

 

폐암 데이터는 LIDC-IDRI 데이터셋을 가져옴(폐결절 검출을 위한 가장 큰 CT 데이터셋): COVID-19 CT 이미지와 유사성을 갖는 다수의 흉부 CT 이미지 제공

COVID-19 CT 이미지는 이탈리아 의학 및 국제 방사선 학회에서 수집한 아래 사이트에서 가져옴

http://medicalsegmentation.com/covid19/

COVID-19 - Medical segmentation

COVID-19 확진자의 CT 이미지 26개를 포함하고 있으며, 각 이미지에는 200개의 슬라이드가 포함됨

 

LIDC-IDRI의 경우 폐 결절이 있는 대상을 선택하고 환자의 XML 파일을 기반으로 ground-truth mask를 생성

보다 나은 훈련을 위해 결절의 픽셀 수가 200 미만인 것들은 제외함. 이렇게 하면 총 2438개의 슬라이스가 남음

 

COVID-19 CT 이미지의 경우 모든 3D 이미지를 512x512크기의 2D 슬라이스로 포맷하여 총 1616개의 슬라이스 생성