[논문 리뷰] A Fully Convolutional Neural Network for Cardiac Segmentation in Short-Axis MRI

Phi Vu Tran|arXiv (Cornell University)|2016. 04. 02.

Advanced X-ray and CT Imaging참고 문헌 34인용 수 321

한 줄 요약

이 논문은 완전합성 컨볼루션 신경망(FCN)을 제시하여 단면 심근 MRI에서 좌심실과 우심실을 픽셀 단위로 엔드-투-엔드 분할을 수행하며, 다수 데이터셋에서 최신 정확도를 달성하고 빠르고 확장 가능한 추론을 가능하게 한다.

ABSTRACT

Automated cardiac segmentation from magnetic resonance imaging datasets is an essential step in the timely diagnosis and management of cardiac pathologies. We propose to tackle the problem of automated left and right ventricle segmentation through the application of a deep fully convolutional neural network architecture. Our model is efficiently trained end-to-end in a single learning stage from whole-image inputs and ground truths to make inference at every pixel. To our knowledge, this is the first application of a fully convolutional neural network architecture for pixel-wise labeling in cardiac magnetic resonance imaging. Numerical experiments demonstrate that our model is robust to outperform previous fully automated methods across multiple evaluation measures on a range of cardiac datasets. Moreover, our model is fast and can leverage commodity compute resources such as the graphics processing unit to enable state-of-the-art cardiac segmentation at massive scales. The models and code are available at https://github.com/vuptran/cardiac-segmentation

연구 동기 및 목표

• 손으로 설계된 특징이나 사전 정보 없이 단면 cine MRI에서 좌심실과 우심실 분할 자동화.
• 다양한 스캐너와 인구집단을 가진 다수의 공개 심근 MRI 데이터셋에서 단일 FCN 아키텍처 평가.
• 단일 학습 단계에서 훈련된 엔드-투-엔드 per-pixel 라벨링의 가능성 시연 및 전이 학습 잠재력 평가.

제안 방법

• 엔드-투-엔드 픽셀 단위 분할을 위한 스킵 아키텍처를 갖춘 15층 완전합성 네트워크 사용.
• 평균-분산 정규화(MVN) 및 ReLU 활성화, 드롭아웃과 L2 정규화를 사용하여 과적합 완화.
• 다중 스케일 중심 자르기와 어파인 데이터 증강으로 강건성 증가 및 클래스 불균형 해결.
• 확률적 경사 하강법과 모멘텀으로 학습, Xavier 초기화 및 다항식 학습률 감소 사용.
• 선택적으로 대규모 LV 데이터셋에서 사전 학습하고 학습된 가중치를 대상 LV/RV 작업으로 전이(전이 학습).
• 추론은 빠르며(약 61 ms/256×256 이미지 GTX TITAN X) CPU/GPU 전반에 걸쳐 확장 가능.

실험 결과

연구 질문

• RQ1 다양한 데이터세트에서 단일 FCN 아키텍처가 정확한 자동 LV 및 RV 분할을 달성할 수 있는가?
• RQ2 관련 심근 분할 작업에서의 전이 학습이 작은 대상 데이터셋의 성능을 향상시키는가?
• RQ3 표준 하드웨어에서 FCN 접근 방식의 추론 속도와 확장성은 어느 정도인가?

주요 결과

• FCN은 다양한 데이터세트에서 Dice 점수 등에서 경쟁력 있고 다른 지표도 뛰어나며 종종 최상의 점수를 달성한다.
• FCN의 파인튜닝(전이 학습)은 무작위 초기화에 비해 뚜렷한 정확도 향상을 낳는다.
• 대규모 이미지 세트의 테스트 시 분할은 빠르며(예: LVSC에서 29,859 이미지에 대해 19분 미만) 이미지당 추론은 GPU에서 약 61 ms 수준이다.
• 모델은 사이트, 스캐너, 인구집단 간에 일반화되어 실제 세계의 가변성에 대해 견고함을 보여준다.
• 도전적인 끝부(slice apical/basal)에서 객체 경계가 애매한 경우 한계가 존재하여 타깃 개선의 여지가 있음을 시사한다.