[20201223] Journal Club - DL based multi-organ segmentation

들으면서 필기한 것.

요즘 딥러닝을 활용한 다양한 모델 기반의 접근방식이 있다고 한다.

 

 

음 그냥 많은 접근 방식으로 요즘에 하는구나 싶었다. 이 분야는 안해서 모르겠지만.

---

 

AE

stacked라서 앞에 것을 학습하고 프리징하는 게 필요해서 연산이 많이 든다고 한다.

 

CNN

 

FCN : 보통 3d volume을 많이 사용한다고 함.

UNet - 패치 크기. skip connection 사용.

VNet, cascade UNet 이런걸 사용.

최근 연구들.

 

GAN

- Generator : segmentation을 함.

- Discriminator : 보정을 하는 역할!

- 일반적인 GAN과는 다르기 때문에 로스도 다르다.

SCAN (structured correcting adversarial network)

UNet GAN도 있다고 함. 연산량이 가장 많이 드는 방법... => generator가 너무 길어!

 

hybrid : quality가 낮은 이미지를 사용하기 위해 고안된 방법을 말한다.

주로 registratoin error 때문에 사용한다.

CT + CBCT, CBCT+sMRI 뭐 이런식으로. 2019년 연구라고 한다.

 

2017, 2015 챌린지에서 각각 5개, 9개의 organ에 대해서 성능 측정한 벤치마크가 있었다고 한다.

 

Challenging Issues

거의 natural scene에서와 같은 얘기. 데이터가 적고, 오버피팅, class imbalance, computation, low-quality image...

연산량은 특히 intensity가 메디컬 이미지에서는 float값이라서 contrast등에 더욱 민감하다고 말한다.

게다가 preprocessing이 크리티컬한것도 있다. 여기서 low quality라 함은 registration의 문제이다.

intra-/inter-observer 문제 : 사람마다 annotation 판단하는 게 달라서 생기는 그런 문제.

 

- 두 벤치마크를 사용하면 좋다고 한다.

- 최근에는 CNN, hybrid가 인기가 많다고.

- GAN이 성능이 높다고.