Liver Volumetry를 위한 Deep Residual U-Net의 모델 복잡성

Model Complexity of Deep Residual U-NET for CT Liver Volumetry

CT를 이용한 간 체적 측정의 자동적 방법은 수동 측정 방법에 비해 정확성이 떨어지는 단점이 있었으나 Deep Residual U-Net이 개발되어 그 정확도가 높아지고 있다. 딥러닝 모델의 복잡성이 높을수록 정확성이 높아지지만 계산 비용이 많이 필요하다. 따라서 본 논문에서는 Liver Volumetry에 최적화된 Deep Residual U-Net의 복잡성에 대한 연구를 진행하였다. 대상 및 방법으로는 MIS Training Center에서 공개한 3D-IRCADb01 Datasets(남자 10명. 여자 10명)을 이용하여 연구를 진행하였으며, 15명은 학습, 5명은 테스트를 수행하였다. 총 4개의 복잡성이 다른 Deep Residual U-Net을 이용하여 분할 영상을 생성하였다. 딥러닝의 정확성을 평가하기 위하여 Training, Testing accuracy 및 loss를 구하였고, Volumetry 정확성을 위해 Dice Coefficient Loss(DCL)을 구하였다. 결과적으로 모델이 복잡해질수록 총 매개변수와 학습 시간이 기하급수적으로 증가하였다. 모든 모델에서 학습과 테스트 모두 97%이상의 정확성을 보였고. loss는 모두 0.2이하였다. DCL의 경우 3-layer에서 0.8037로 가장 낮았으며, 5-layer에서 0.9533으로 가장 높게 나타났다. 결론적으로 Liver Volumetry를 위한 최적의 모델 복잡성은 5-layer이었다.

Computed Tomography (CT) has been used for liver volume measurement because of the highest location accuracy. Automated segmentation methods may improve CT volumetry time, but it has low accuracy. Residual U-Net which is one of the deep learning methods could improve segmentation accuracy. However optimization of residual U-Net hasn’t been demonstrated yet. The purpose of this paper is to investigate the optimal complexity for CT liver volumetry. The study was conducted using the 3D-IRCADb01 Datasets (10 males, 10 females) published by MIS Training Center, 15 people learned and 5 people tested. Segmented images were generated using Deep Residual U-Nets with a total of four different complexity. As a result, as the model became more complex, the total parameters and training time increased exponentially. In all models, both training and testing showed more than 97% accuracy. All losses were less than 0.2. In the case of DCL, it was the lowest at 0.8037 in 3-layer and the highest at 0.9533 in 5-layer. In conclusion, 5 hidden layers of residual U-Net has the highest dice coefficient loss and could train the datasets faster than other complex models.