[논문 리뷰] A Deep Attentive Convolutional Neural Network for Automatic Cortical Plate Segmentation in Fetal MRI

Haoran Dou, Davood Karimi외 8명|arXiv (Cornell University)|2020. 04. 27.

Fetal and Pediatric Neurological Disorders참고 문헌 68인용 수 5

한 줄 요약

이 논문은 태아 자기공명영상에서 자동 케라티컬 플레이트 분할을 위해 새로운 잔차 공간 주의 메커니즘과 혼합 커널 컨볼루션을 갖춘 3D 완전 컨볼루션 신경망을 제안한다. 이 방법은 평균 DICE 스코어 0.87, 하우스도르프 거리 0.96 mm, 대칭 표면 차이 0.28 mm를 기록하며, 기존의 딥러닝 및 다중 아틀라스 분할 방법보다 유의하게 뛰어나며, 스캔 당 1분 미만으로 작동한다.

ABSTRACT

Fetal cortical plate segmentation is essential in quantitative analysis of fetal brain maturation and cortical folding. Manual segmentation of the cortical plate, or manual refinement of automatic segmentations is tedious and time-consuming. Automatic segmentation of the cortical plate, on the other hand, is challenged by the relatively low resolution of the reconstructed fetal brain MRI scans compared to the thin structure of the cortical plate, partial voluming, and the wide range of variations in the morphology of the cortical plate as the brain matures during gestation. To reduce the burden of manual refinement of segmentations, we have developed a new and powerful deep learning segmentation method. Our method exploits new deep attentive modules with mixed kernel convolutions within a fully convolutional neural network architecture that utilizes deep supervision and residual connections. We evaluated our method quantitatively based on several performance measures and expert evaluations. Results show that our method outperforms several state-of-the-art deep models for segmentation, as well as a state-of-the-art multi-atlas segmentation technique. We achieved average Dice similarity coefficient of 0.87, average Hausdorff distance of 0.96 mm, and average symmetric surface difference of 0.28 mm on reconstructed fetal brain MRI scans of fetuses scanned in the gestational age range of 16 to 39 weeks. With a computation time of less than 1 minute per fetal brain, our method can facilitate and accelerate large-scale studies on normal and altered fetal brain cortical maturation and folding.

연구 동기 및 목표

• 태아 MRI에서 뇌 성숙도와 케라티컬 접힘 연구에 필수적인, 수동적이고 시간이 오래 소요되는 케라티컬 플레이트 분할 문제를 해결하기 위해.
• 발달 중인 태아 뇌의 저해상도, 부분 볼륨 효과, 형태학적 변동성으로 인한 자동 분할의 한계를 극복하기 위해.
• 다양한 척도의 특징과 맥락 정보를 효과적으로 포착하여 분할 정확도를 향상시키기 위한 딥러닝 모델을 개발하기 위해.
• 다중 아틀라스 분할은 느리고 영상 잡음에 민감하므로, 계산 시간을 줄이고 정확도를 향상시키기 위해.
• 빠르고 정확하며 자동화된 분할을 제공하여 정상 및 비정상 태아 케라티컬 발달에 대한 대규모 정량적 연구를 가능하게 하기 위해.

제안 방법

• 학습 안정성과 기울기 흐름 향상을 위해 잔차 연결을 갖춘 3D 완전 컨볼루션 신경망을 사용한다.
• 다양한 3D 컨볼루션 블록(예: 3×3×3, 5×5×5)을 사용한 혁신적인 잔차 공간 주의 모듈을 도입하여 다중 척도 맥락 특징을 학습한다.
• 주어진 특징 맵에 공간 중요도 가중치를 학습하여 주의 메커니즘이 자동으로 재조정함으로써, 얇은 케라티컬 플레이트와 같은 중요한 구조를 강조한다.
• 메인 네트워크와 주의 모듈 양쪽에서 기울기 역전파와 특징 학습을 향상시키기 위해 다단계에 걸쳐 심층 감독을 적용한다.
• GPU 메모리 제약에도 불구하고 전체 맥락을 포착할 수 있도록 64×64×64 크기의 3D MRI 패치에서 엔드 투 엔드로 모델을 훈련시킨다.
• 분할 성능 최적화를 위해 교차 엔트로피 손실과 DICE 손실의 조합을 사용하여 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 혼합 커널 컨볼루션을 갖춘 깊이 주의 3D CNN은 기존 최신 기술의 딥러닝 모델보다 태아 MRI에서 케라티컬 플레이트 분할 성능을 뛰어나게 할 수 있는가?
• RQ2 제안된 잔차 공간 주의 메커니즘이 표준 컨볼루션 레이어에 비해 분할 정확도를 어떻게 향상시키는가?
• RQ3 NiftyMIC 및 Kainz 등과 같은 다양한 MRI 재구성 알고리즘에 대해 모델의 일반화 능력은 어느 정도인가?
• RQ4 제안된 방법의 추론 속도는 다중 아틀라스 분할과 비교해 어떻게 되며, 대규모 연구에 적합한가?
• RQ5 태아 MRI에서 흔히 발생하는 부분 볼륨 효과 및 저해상도 잡음이 존재하는 상황에서도 모델은 높은 성능을 유지하는가?

주요 결과

• 제안된 방법은 임신 16~39주 동안 평균 DICE 유사도 계수 0.87을 달성하여, 다른 딥러닝 모델과 다중 아틀라스 분할 방법보다 유의미하게 뛰어나다.
• 평균 하우스도르프 거리는 0.96 mm로, 얇은 케라티컬 플레이트의 경계 정확도가 매우 높음을 나타낸다.
• 대칭 표면 차이는 0.28 mm로, 기하학적 편차가 최소화된 정확한 표면 수준의 분할을 보여준다.
• 모델은 스캔 당 1분 미만의 추론 시간을 기록하여 대규모 연구에 효율적인 처리를 가능하게 한다.
• 훈련 데이터와 다른 재구성 도메인을 가진 NiftyMIC로 재샘플링된 영상에도 잘 일반화되어, 재구성 방법의 변동성에 대한 강건성을 보였다.
• 전문가 평가 결과, 다중 아틀라스 방법보다 모델의 분할 결과가 더 정확하고 수작업 보정이 훨씬 적게 필요하다고 확인되었다.