[논문 리뷰] 3-D Convolutional Neural Networks for Glioblastoma Segmentation

Darvin Yi, Mu Zhou외 2명|arXiv (Cornell University)|2016. 11. 14.

Advanced Neural Network Applications참고 문헌 14인용 수 34

한 줄 요약

이 논문은 다중 모odal MRI 데이터를 사용하여 간질성 뇌종양의 세분화를 위한 3차원 전연결 신경망(3-D fully convolutional neural network, CNN)을 제안한다. 이는 공간적 맥락을 유지하기 위해 사전 정의된 3차원 Difference-of-Gaussian (DoG) 필터를 활용한 진정한 3차원 컨볼루션을 적용하고, 1×1×1 컨볼루션 계층을 통해 볼록체를 분리함으로써 효과적인 훈련 데이터 크기를 크게 증가시킨다. 이 방법은 BRATS 2013 데이터셋에서 중앙값 Dice 점수 89%를 달성하여 최신 기술을 능가하며, 중간 크기의 의료 영상 데이터셋에서 뛰어난 성능을 보였다.

ABSTRACT

Convolutional Neural Networks (CNN) have emerged as powerful tools for learning discriminative image features. In this paper, we propose a framework of 3-D fully CNN models for Glioblastoma segmentation from multi-modality MRI data. By generalizing CNN models to true 3-D convolutions in learning 3-D tumor MRI data, the proposed approach utilizes a unique network architecture to decouple image pixels. Specifically, we design a convolutional layer with pre-defined Difference- of-Gaussian (DoG) filters to perform true 3-D convolution incorporating local neighborhood information at each pixel. We then use three trained convolutional layers that act to decouple voxels from the initial 3-D convolution. The proposed framework allows identification of high-level tumor structures on MRI. We evaluate segmentation performance on the BRATS segmentation dataset with 274 tumor samples. Extensive experimental results demonstrate encouraging performance of the proposed approach comparing to the state-of-the-art methods. Our data-driven approach achieves a median Dice score accuracy of 89% in whole tumor glioblastoma segmentation, revealing a generalized low-bias possibility to learn from medium-size MRI datasets.

연구 동기 및 목표

• 딥 러닝을 활용해 다중 모달 MRI 데이터에서 정확한 간질성 뇌종양 세분화 문제를 해결하기 위해.
• 작은 의료 영상 데이터셋에서 훈련된 딥 러닝 모델의 높은 분산을 줄이기 위해 볼록체 수준의 학습을 통해 효과적인 훈련 데이터 크기를 증가시키기 위해.
• 진정한 3차원 컨볼루션을 통해 3차원 공간적 맥락을 통합함으로써 세분화 성능을 향상시키기 위해.
• 2차원 CNN의 아키텍처를 3차원 부피 데이터로 일반화하면서도 계산 가능성을 유지하는 네트워크 아키텍처를 개발하기 위해.
• 사전 정의된 DoG 필터가 3차원 의료 영상 분석을 위한 효과적인 비학습형 초기화 방법이 될 수 있음을 입증하기 위해.

제안 방법

• 프레임워크는 다섯 개의 컨볼루션 계층을 갖는 3차원 전연결 신경망으로 구성되며, 4채널 MRI 입력에 대해 처음으로 72개의 사전 정의된 3차원 Difference-of-Gaussian (DoG) 필터를 사용해 진정한 3차원 컨볼루션을 수행한다.
• DoG 필터는 회전 대칭성을 가지며, 각 볼록체에서 국소적인 3차원 이웃 정보를 학습 없이 캡처하여 작은 데이터셋에서의 과적합을 줄인다.
• 이후 계층은 1×1×1 컨볼루션 필터를 사용하여 볼록체를 분리함으로써, 픽셀 수준에서 완전히 연결된 피드포워드 구조로 전환된다.
• 이 분리 전략은 환자 수준의 샘플에서 픽셀 수준의 샘플로 효과적인 훈련 데이터 크기를 확장하여 분산을 줄이고 일반화 성능을 향상시킨다.
• 네트워크는 확률적 경사 하강법를 사용해 엔드 투 엔드로 훈련되며, 최종 계층은 각 볼록체를 비종양 또는 네 가지 종양 하위 영역 중 하나로 분류하기 위해 5개의 출력 채널을 생성한다.
• 3차원 컨볼루션은 푸리에 공간에서 효율적으로 계산되어 시간 복잡도를 O(m³n³)에서 O(n³ log n)로 감소시켜 큰 3차원 볼륨에서의 실용적 훈련을 가능하게 한다.

실험 결과

연구 질문

• RQ1 비학습형 DoG 필터를 갖춘 3차원 전연결 신경망이 2차원 또는 평면형 3차원 CNN보다 뛰어난 간질성 뇌종양 세분화 성능을 달성할 수 있는가?
• RQ2 환자 수준의 데이터가 아닌 볼록체 수준의 훈련 데이터를 사용할 경우, 작은 의료 영상 데이터셋에서 분산을 줄이고 일반화 성능을 향상시킬 수 있는가?
• RQ3 사전 정의된 DoG 필터가 3차원 의료 영상 분석을 위한 효과적인 도메인 특화 초기화 방법이 될 수 있는가? 이는 ImageNet 사전 훈련된 2차원 필터를 능가하는가?
• RQ4 제안된 3차원 CNN은 BRATS 벤치마크에서 전문 방사선의사와 최신 기술 대비 어떻게 비교되는가?
• RQ5 이 방법은 BRATS 데이터셋(2013 및 2015) 전반에서 높은 성능 유지를 보이며, 이는 강건성과 일반화 능력을 나타내는가?

주요 결과

• 제안된 3차원 CNN은 BRATS 2013 데이터셋에서 전체 종양 세분화에 대해 중앙값 Dice 점수 89%를 달성하여 2013 도전 대회 메서드의 최고 조합(88%)을 뛰어넘었다.
• 2015 BRATS 데이터셋에서 전체 종양은 89% (89/87), 핵심 영역은 76% (79/69), 활성 종양은 80% (80/78)의 Dice 점수를 기록하여 다양한 데이터셋에서 일관된 높은 성능을 보였다.
• 알고리즘의 성능는 전문 방사선의사의 공식 합의(전체 종양 91%)와 유사했으며, 모든 세 종류의 종양 영역에서 2013 도전 대회 개별 메서드와 앙상블 모델의 성능를 초월했다.
• 첫 번째 계층에서 사전 정의된 DoG 필터를 사용함으로써 과적합과 분산이 감소하여, 수백 명의 환자 샘플만으로도 효과적인 학습이 가능했다.
• 1×1×1 컨볼루션을 통한 볼록체 분리 전략은 효과적인 훈련 데이터 크기를 약 274명의 환자에서 1,000만 개 이상의 볼록체로 증가시켜 모델의 일반화 성능를 크게 향상시켰다.
• 활성 종양 영역을 세분화하는 데서 뛰어난 성능(2015년 데이터에서 80%의 Dice 점수)을 보였으며, 다른 방법들이 어려움을 겪는 영역에서 민감도가 높다는 점을 입증하여, 미세한 종양 특징을 잘 포착함을 시사한다.