흉부 CT 영상에서 듀얼 윈도우 영상을 활용한 트랜스포머 기반 폐암 분할
Transformer-based Lung Cancer Segmentation Using Dual Window Images in Chest CT Images
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
폐암은 크기, 모양, 위치가 다양하다. 더욱이 폐 실질에 위치한 고립된 폐암은 경계가 명확한 반면, 비슷한 강도 값을 가 진 주변 구조에 붙은 종양은 경계가 불분명하여 종양 분할에 어려움이 있다. 이러한 문제를 해결하기 위해 본 논문에서 는 흉부 CT 영상에서 종격동과 흉벽 등에 부착된 폐암의 경계 불명확성을 해결하기 위해 듀얼 윈도우 영상을 활용한 트 랜스포머 기반의 폐암 분할 방법을 제안한다. 폐암 특징을 잘 표현하는 두가지 윈도우 설정을 적용하여 폐 윈도우 영상 과 종격동 윈도우 영상을 생성한다. 제안 방법은 SegFormer를 백본으로 사용하며 각각의 영상을 서로 다른 인코더의 입 력으로 사용하는 이중 인코더로 다중 스케일의 특징맵을 생성하고, 디코더에서 특징맵 결합 및 채널 주의 블록을 통해 주요 특징에 가중치를 부여하는 방식을 적용한다. 실험을 통해 전체적인 폐암에서 제안 방법이 DSC와 재현율에서 각각 75.74%, 80.44%로 가장 우수한 성능을 보였으며, 폐암의 위치 별 분할 결과에서 제안 방법이 가장 우수한 재현율을 보 였다.
Abstract
Lung cancer varies in size, shape, and location. Furthermore, isolated tumors located in the lung parenchyma have clear boundaries, whereas tumors attached to surrounding structures with similar intensity values have indistinct boundaries, making tumor segmentation challenging. To address these issues, we propose a transformer-based lung cancer segmentation method using dual- window images to resolve the boundary ambiguity of lung cancers attached to structures such as the mediastinum and chest wall in chest CT images. To effectively represent the characteristics of lung cancer, we generate lung window and mediastinal window images using two window settings. The proposed method utilizes SegFormer as the backbone and employs a dual-encoder architecture, where each image is input into a different encoder to generate multi-scale feature maps. In the decoder, feature map concatenation and channel attention blocks are applied to assign weights to the key features. Through experiments, the proposed method demonstrated the best performance in overall lung cancer segmentation, achieving a DSC of 75.74% and a recall of 80.44%. Additionally, in the segmentation results by the location of the lung cancer, the proposed method achieves the highest recall.
참고문헌 (14)
- "Proportion of deaths from major cancers" (2022)[URL]
- P. D. Mozley, "Measurement of tumor volumes improves RECIST-based response assessments in advanced lung cancer", Translational oncology, 5(1), pp.19~25 (2012)
- S. A. Hayes, "Comparison of CT volumetric measurement with RECIST response in patients with lung cancer", European journal of radiology, 85(3), pp.524~533 (2016)
- O. Ronneberger, "U-net : Convolutional networks for biomedical image segmentation", Medical Image Computing and Computer-Assisted Intervention, pp.234~241 (2015)
- V. Badrinarayanan, "Segnet : A deep convolutional encoder-decoder architecture for image segmentation", IEEE transactions on pattern analysis and machine intelligence, 39(12), pp.2481~2495 (2017)
- J. Yang, "MSDS-UNet : A multi-scale deeply supervised 3D U-Net for automatic segmentation of lung tumor in CT", Computerized Medical Imaging and Graphics, 92, pp.101957~ (2021)
- S. F. Banu, "Aweu-net : an attention-aware weight excitation U-net for lung nodule segmentation", Applied Sciences, 11(21), pp.10132~ (2021)
- J. Lee, "Automated lung tumor segmentation robust to various tumor sizes using a consistency learning-based multi-scale dual-attention network", Journal of XRay Science and Technology, pp.1~14 (2023)
- M. K. Lee, "Enhanced Lung Cancer Segmentation with Deep Supervision and Hybrid Lesion Focal Loss in Chest CT Images", Journal of the Korea Computer Graphics Society, 30(1), pp.11~17 (2024)
- F. Zhang, "Enhancing non-small cell lung cancer tumor segmentation with a novel two-step deep learning approach", Journal of Radiation Research and Applied Sciences, 17(1), pp.100775~ (2024)
- E. Xie, "SegFormer : Simple and efficient design for semantic segmentation with transformers", Advances in neural information processing systems, 34, pp.12077~12090 (2021)
- "The Cancer Imaging Archive", 2014