[논문 리뷰] A CADe System for Gliomas in Brain MRI using Convolutional Neural Networks

Subhashis Banerjee, Sushmita Mitra외 2명|arXiv (Cornell University)|2018. 06. 20.

Brain Tumor Detection and Classification참고 문헌 42인용 수 9

한 줄 요약

이 논문은 다중 대비 뇌 MRI에서 고등급 뇌신생물을 자동으로 탐지하고 국소화하기 위한 두 단계의 CADe 시스템을 제안한다. 이 시스템은 컨볼루션 신경망(CNN)을 사용하며, 이상 징후가 있는 슬라이스를 식별하는 분류 CNN(c-cnn)과 종양 경계 상자(bounding boxes)를 생성하는 검출 CNN(d-cnn)를 포함한다. 이는 후속 종양 분할(segmentation)의 정확한 시드 초기화를 제공함으로써 상당한 성능 향상을 이룩하였으며, BRATS 2015 데이터셋에서 DSC는 0.8631, MAE는 3.12를 기록하였다.

ABSTRACT

Inspired by the success of Convolutional Neural Networks (CNN), we develop a novel Computer Aided Detection (CADe) system using CNN for Glioblastoma Multiforme (GBM) detection and segmentation from multi channel MRI data. A two-stage approach first identifies the presence of GBM. This is followed by a GBM localization in each "abnormal" MR slice. As part of the CADe system, two CNN architectures viz. Classification CNN (C-CNN) and Detection CNN (D-CNN) are employed. The CADe system considers MRI data consisting of four sequences ($T_1$, $T_{1c},$ $T_2$, and $T_{2FLAIR}$) as input, and automatically generates the bounding boxes encompassing the tumor regions in each slice which is deemed abnormal. Experimental results demonstrate that the proposed CADe system, when used as a preliminary step before segmentation, can allow improved delineation of tumor region while reducing false positives arising in normal areas of the brain. The GrowCut method, employed for tumor segmentation, typically requires a foreground and background seed region for initialization. Here the algorithm is initialized with seeds automatically generated from the output of the proposed CADe system, thereby resulting in improved performance as compared to that using random seeds.

연구 동기 및 목표

• 뇌 MRI에서 고등급 뇌신생물에 대한 자동화된 컴퓨터 보조 진단(CADe) 시스템을 개발하여 방사선 전문의의 작업 부담을 줄이고 진단 일관성을 향상시키는 것.
• 수동 종양 분할의 과제, 즉 관찰자 간 및 관찰자 내 변동성과 높은 시간 소모 문제를 해결하는 것.
• CNN이 생성한 경계 상자로 GrowCut 분할 알고리즘의 시드 초기화를 정보 기반으로 제공하여 종양 윤곽 추출 정확도를 향상시키는 것.
• CNN 아키텍처의 변형이 뇌신생물 탐지 및 국소화 성능에 미치는 영향을 평가하는 것.

제안 방법

• 이 시스템은 두 단계의 접근 방식을 사용한다: 첫째, 분류 CNN(c-cnn)가 주어진 MRI 슬라이스에 뇌신생물이 포함되어 있는지 여부를 판단한다.
• 둘째, 검출 CNN(d-cnn)가 각 슬라이스의 이상 부위 주변에 경계 상자를 생성함으로써 종양을 국소화한다.
• 두 네트워크의 입력은 T1, T1c, T2, T2-FLAIR 시퀀스로 구성된 다중 대비 MRI 데이터이다.
• d-cnn 모델은 영역 제안(region proposal) 메커니즘을 사용하여 경계 상자를 예측하며, 성능 평가에는 평균 평균 정확도(mAP), 평균 절대 오차(MAE), 그리고 다이스 유사도 계수(DSC)를 사용한다.
• GrowCut 분할 알고리즘은 d-cnn의 경계 상자 출력에서 유도된 시드로 초기화되며, 이는 랜덤 시드 배치를 대체한다.
• c-cnn 및 d-cnn 변형에 대해 초모델 하이퍼파라미터 분석(ablation study)를 수행하였으며, 데이터 증강, 커널 크기, 깊이, 활성화 함수(ReLU 대비 LeakyReLU)를 포함한다.

실험 결과

연구 질문

• RQ1 다중 대비 뇌 MRI에서 두 단계의 CNN 기반 CADe 시스템이 고등급 뇌신생물을 효과적으로 탐지하고 국소화할 수 있는가?
• RQ2 CNN이 생성한 경계 상자로 시드를 초기화할 경우, 랜덤 시드 초기화 대비 GrowCut 분할 알고리즘의 성능 향상 정도는 어떠한가?
• RQ3 커널 크기, 네트워크 깊이, 활성화 함수 등의 아키텍처 선택이 d-cnn 모델의 탐지 및 국소화 성능에 어떤 영향을 미치는가?
• RQ4 데이터 증강은 c-cnn 및 d-cnn 모델의 일반화 능력을 향상시키고 과적합을 감소시키는가?

주요 결과

• 제안된 CADe 시스템은 BRATS 2015 데이터셋에서 다이스 유사도 계수(DSC) 0.8631과 평균 절대 오차(MAE) 3.12를 기록하여 뛰어난 국소화 성능을 입증하였다.
• 데이터 증강(E1)은 c-cnn에서 일반화 능력을 크게 향상시켜 과적합을 감소시키고, 탐지 정확도, 재현율, Fβ 스코어를 증가시켰다.
• 더 큰 커널 크기(최대 9×9)와 네트워크 깊이 증가(최대 18층)는 과적합을 유발하고 성능을 악화시켜 아키텍처 복잡성 증가에 따른 수익 감소를 보였다.
• ReLU 대비 LeakyReLU 사용(E4)은 일반화 능력이 열악했으며, p-값 0.019로 기준 모델 대비 통계적으로 유의미한 차이를 보였다.
• 기준 d-cnn 모델은 모든 변형보다 뛰어난 성능을 보였으며, 가장 깊은 아키텍처(E3)와의 t-검정에서 p-값 6.4×10⁻¹¹을 기록하여 뛰어난 일반화 능력을 확인하였다.
• 정확한 시드 영역 제공로 인해 분할 과정에서 잠재적인 오진 양성(false positives)이 효과적으로 감소하였으며, 이는 GrowCut 알고리즘의 성능 향상에 기여하였다.