[논문 리뷰] A deep learning-based method for prostate segmentation in T2-weighted magnetic resonance imaging

Davood Karimi, Golnoosh Samei외 2명|arXiv (Cornell University)|2019. 01. 27.

Advanced Neural Network Applications참고 문헌 44인용 수 6

한 줄 요약

이 논문은 전역 컨volution 신경망(CNN)을 사용해 전립선을 국소화하고, 국소 CNN을 사용해 경계를 정밀하게 보정함으로써 T2 강도 MRI에서 정확한 전립선 분할을 위한 이단계 딥러닝 방법을 제안한다. 형태 기반 데이터 증강과 이중 추론 전략을 결합함으로써, PROMISE12 데이터셋에서 평균 DICE 스코어 90.6 ± 2.2를 달성하여 이전 방법들을 능가한다.

ABSTRACT

We propose a novel automatic method for accurate segmentation of the prostate in T2-weighted magnetic resonance imaging (MRI). Our method is based on convolutional neural networks (CNNs). Because of the large variability in the shape, size, and appearance of the prostate and the scarcity of annotated training data, we suggest training two separate CNNs. A global CNN will determine a prostate bounding box, which is then resampled and sent to a local CNN for accurate delineation of the prostate boundary. This way, the local CNN can effectively learn to segment the fine details that distinguish the prostate from the surrounding tissue using the small amount of available training data. To fully exploit the training data, we synthesize additional data by deforming the training images and segmentations using a learned shape model. We apply the proposed method on the PROMISE12 challenge dataset and achieve state of the art results. Our proposed method generates accurate, smooth, and artifact-free segmentations. On the test images, we achieve an average Dice score of 90.6 with a small standard deviation of 2.2, which is superior to all previous methods. Our two-step segmentation approach and data augmentation strategy may be highly effective in segmentation of other organs from small amounts of annotated medical images.

연구 동기 및 목표

• 높은 해부학적 변동성과 제한된 레이블이 부여된 데이터로 인해 T2 강도 MRI에서 정확한 자동 전립선 분할을 수행하는 데 도전하는 것.
• 작은 의료 영상 데이터셋에서의 분할 성능을 향상시키기 위해, 국소화와 정밀한 윤곽 설정으로 작업을 분리하는 이단계 CNN 프레임워크를 도입하는 것.
• 학습된 형태 모델을 사용한 형태 기반 데이터 증강을 통해 학습 데이터 효율성을 향상시키는 것.
• 후처리 없이도 기존의 애틀라스 기반, 탈형 모델, 그래프 컷 방법들을 능가하는 우수한 분할 정확도와 매끄러운 결과를 달성하는 것.

제안 방법

• 전역 CNN은 전립선 주변의 경계 상자 예측을 학습하여, 이를 바탕으로 입력 영상을 표준화된 크기로 자르고 재샘플링한다.
• 재샘플링된 볼륨은 국소 CNN에 입력되어 고해상도로 정밀한 전립선 경계 분할을 수행한다.
• 학습된 형태 모델을 사용해 원본 영상과 분할 결과를 변형함으로써 추가적인 학습 데이터를 합성함으로써 데이터 다양성과 강건성을 향상시킨다.
• 국소 CNN 출력에는 경계 확률 맵의 하드 스위칭에서 발생하는 소규모 잡음을 제거하기 위해 형태학적 개방 연산을 적용한다.
• 국소 CNN에 10–20%의 드롭아웃을 적용하여 과적합을 방지하고 일반화 성능을 향상시킨다.
• 딥러닝 CNN의 계층적 특징 학습 능력을 활용하여 국소 텍스처와 전반적인 해부학적 맥락을 모두 포착한다.

실험 결과

연구 질문

• RQ1 학습 데이터가 제한된 상황에서, 이단계 CNN 아키텍처가 T2 강도 MRI에서 전립선 분할 정확도를 향상시킬 수 있는가?
• RQ2 작은 의료 영상 분할 작업에서 형태 기반 데이터 증강이 성능 향상에 얼마나 효과적인가?
• RQ3 전역 국소화와 국소 경계 보정을 분리함으로써, 작은 데이터셋에서 엔드 투 엔드 학습보다 더 나은 분할 성능을 달성할 수 있는가?
• RQ4 형태학적 연산을 통한 후처리가 딥러닝으로 생성된 분할 결과의 매끄러움과 정확도를 얼마나 향상시키는가?

주요 결과

• 제안된 방법은 PROMISE12 테스트 세트에서 평균 DICE 스코어 90.6 ± 2.2를 달성하여 이전 최고 성능 방법들을 뛰어넘었다.
• 데이터 증강 없이 실험한 경우 DICE 스코어가 86.1 ± 6.6로 떨어졌으며, 이는 형태 기반 증강의 핵심적 역할을 입증한다.
• 형태 모델을 사용한 데이터 증강은 무작위 변형 필드보다 높은 DICE 스코어(89.3 ± 0.040)를 기록하여 그 효과를 확인했다.
• 이중 단계 접근법 덕분에 국소 CNN은 일관된 크기와 해상도를 가진 잘 중심이 맞춰진 영역에 집중함으로써 뛰어난 정확도를 달성했다.
• 형태학적 개방 연산은 평균 DICE 계수를 향상시켜, 하드 스위칭 출력에서 발생하는 소규모 비의도적 영역 제거에 있어 그 가치를 입증했다.
• 이 방법은 개방 연산 외에 추가 후처리 단계 없이도 매끄럽고 잡음이 없는 분할 결과를 생성했다.