[논문 리뷰] A multi-path 2.5 dimensional convolutional neural network system for segmenting stroke lesions in brain MRI images

Yunzhe Xue, Fadi G. Farhat외 5명|arXiv (Cornell University)|2019. 05. 26.

Acute Ischemic Stroke Management참고 문헌 46인용 수 4

한 줄 요약

이 논문은 축삭, 경부, 골반 등 세 가지 해부학적 평면(axial, coronal, sagittal)에서 T1 및 T1+FLAIR MRI 슬라이스를 다중 정규화와 함께 처리하는 다중경로 2.5D 합성곱 신경망을 제안한다. 이는 3D CNN을 통해 특징을 융합하여 뇌졸중 병변 분할 성능을 향상시킨다. 교차 연구 검증에서 평균 DICE 계수는 0.54를 기록하였으며, 표준 UNet을 포함한 이전 모델들을 크게 앞서며 인간 전문가 수준의 정확도에 가까워진다.

ABSTRACT

Automatic identification of brain lesions from magnetic resonance imaging (MRI) scans of stroke survivors would be a useful aid in patient diagnosis and treatment planning. We propose a multi-modal multi-path convolutional neural network system for automating stroke lesion segmentation. Our system has nine end-to-end UNets that take as input 2-dimensional (2D) slices and examines all three planes with three different normalizations. Outputs from these nine total paths are concatenated into a 3D volume that is then passed to a 3D convolutional neural network to output a final lesion mask. We trained and tested our method on datasets from three sources: Medical College of Wisconsin (MCW), Kessler Foundation (KF), and the publicly available Anatomical Tracings of Lesions After Stroke (ATLAS) dataset. Cross-study validation results (with independent training and validation datasets) were obtained to compare with previous methods based on naive Bayes, random forests, and three recently published convolutional neural networks. Model performance was quantified in terms of the Dice coefficient. Training on the KF and MCW images and testing on the ATLAS images yielded a mean Dice coefficient of 0.54. This was reliably better than the next best previous model, UNet, at 0.47. Reversing the train and test datasets yields a mean Dice of 0.47 on KF and MCW images, whereas the next best UNet reaches 0.45. With all three datasets combined, the current system compared to previous methods also attained a reliably higher cross-validation accuracy. It also achieved high Dice values for many smaller lesions that existing methods have difficulty identifying. Overall, our system is a clear improvement over previous methods for automating stroke lesion segmentation, bringing us an important step closer to the inter-rater accuracy level of human experts.

연구 동기 및 목표

• 전문가의 수작업 분할에 소요되는 시간을 줄이기 위해 뇌 MRI에서 뇌졸중 병변 분할을 자동화하는 것.
• 단일 평면만 분석하는 2D CNN의 한계를 보완하기 위해 다중 평면 및 다중 모odal MRI 시각을 통합하는 것.
• 기존 방법이 자주 간과하는 소형 또는 미세한 병변의 탐지 성능 향상.
• 다양한 기관에서 제공하는 다양한 데이터셋을 통해 검증된 강건하고 일반화 능력이 뛰어난 시스템 개발.
• 자동 분할 정확도를 인간 전문가 간의 일致성 수준에 가깝게 끌어올리는 것.

제안 방법

• 시스템은 세 가지 해부학적 평면(axial, coronal, sagittal)에서 각각 2D MRI 슬라이스를 처리하는 9개의 엔드 투 엔드 U-Net 아키텍처를 사용하며, 각각 세 가지 다른 정규화 기법을 적용한다.
• 각 2D 경로는 T1 가중 및 T1+FLAIR MRI 시퀀스에서 특징를 추출하여 병변 대비 감도를 향상시킨다.
• 9개의 2D 경로 출력을 3D 특징 볼륨으로 연결하여 평면 간 공간적 맥락을 유지한다.
• 융합된 3D 특징 볼륨은 3D 합성곱 신경망을 통해 처리되어 최종 병변 마스크를 생성한다.
• 모델는 MCW, Kessler Foundation, ATLAS의 데이터셋을 기반으로 엔드 투 엔드로 훈련되며, 일반화 능력을 확보하기 위해 교차 연구 검증을 실시한다.
• 다양한 스캔 프로토콜과 병변 유형에 대응하기 위해 데이터 증강 및 정규화 전략을 적용하여 강건성 향상.

실험 결과

연구 질문

• RQ1 표준 2D U-Net 모델 대비 다중경로 2.5D CNN 아키텍처가 뇌졸중 병변 분할 정확도 향상에 기여하는가?
• RQ2 T1 및 T1+FLAIR 등 다양한 MRI 대비와 해부학적 평면을 통합함으로써 소형 또는 미세한 병변의 탐지 성능이 향상되는가?
• RQ3 다른 기관에서 제공하는 스캔 파arameter와 병변 특성이 다른 데이터셋 간에도 모델이 일반화 가능한가?
• RQ4 모델의 성능은 인간 전문가 간의 일치도(Dice 계수)와 비교해 볼 때 어떻게 평가되는가?
• RQ5 급성/부급성 및 만성 뇌졸중 병변 모두에 대해 높은 분할 정확도를 달성할 수 있는가?

주요 결과

• Kessler Foundation 및 MCW 데이터셋에서 훈련하고 ATLAS에서 테스트한 결과, 평균 DICE 계수는 0.54를 기록하였으며, 이는 다음으로 우수한 모델(UNet)의 0.47보다 유의미하게 높았다.
• ATLAS에서 훈련하고 Kessler 및 MCW에서 테스트한 결과, 평균 DICE는 0.47을 기록하였으며, 이는 다음으로 우수한 UNet 모델의 0.45를 상회했다.
• 통합 데이터셋을 사용한 5중 교차 검증에서 평균 DICE는 0.62를 달성하였으며, 인간 전문가 간 일치도 범위(0.67–0.73)에 가까워졌다.
• 이전 자동화된 방법이 자주 간과하는 소형 병변에 대해 뛰어난 성능를 보였다.
• 통계 분석 결과 기준 모델 대비 유의미한 향상이 있었으며, 특히 T1+FLAIR 시퀀스에서 병변 탐지 시 p값 < 0.05로 유의미한 개선이 확인되었다.
• 부급성 및 만성 병변 모두에 걸쳐 강건한 성능를 보이며, 뇌경색 및 출혈성 병변을 포함한 다양한 병변 유형에 넓은 임상 적용 가능성을 보였다.