[논문 리뷰] A Multi-task Contextual Atrous Residual Network for Brain Tumor Detection & Segmentation

Ngan Le, Kashu Yamazaki외 3명|arXiv (Cornell University)|2020. 12. 03.

Advanced Neural Network Applications참고 문헌 33인용 수 4

한 줄 요약

이 논문은 뇌 종양 영역에 집중하기 위해 연속 구조를 갖춘 맥락적 탐지 헤드와 3D 아트로스 잔차 U-Net을 사용하여 MRI 스캔에서 뇌 종양을 동시에 탐지하고 분할하는 다중 작업 3D 맥락적 아트로스 잔차 신경망을 제안한다. 이 방법은 BRATS 2015, 2017, 2018 데이터셋에서 최신 기술 수준의 성능을 달성하였으며, BRATS 2018에서 전체 종양(WT)의 덱스 점수 90.4%, 종양 핵심(TC) 82.3%, 강화 종양(ET) 72.4%를 기록하여, 확장된 컨volution과 스킵 연결을 통해 클래스 불균형 문제를 효과적으로 해결하고 특징 학습을 향상시켜 기존 방법을 초월한다.

ABSTRACT

In recent years, deep neural networks have achieved state-of-the-art performance in a variety of recognition and segmentation tasks in medical imaging including brain tumor segmentation. We investigate that segmenting a brain tumor is facing to the imbalanced data problem where the number of pixels belonging to the background class (non tumor pixel) is much larger than the number of pixels belonging to the foreground class (tumor pixel). To address this problem, we propose a multi-task network which is formed as a cascaded structure. Our model consists of two targets, i.e., (i) effectively differentiate the brain tumor regions and (ii) estimate the brain tumor mask. The first objective is performed by our proposed contextual brain tumor detection network, which plays a role of an attention gate and focuses on the region around brain tumor only while ignoring the far neighbor background which is less correlated to the tumor. The second objective is built upon a 3D atrous residual network and under an encode-decode network in order to effectively segment both large and small objects (brain tumor). Our 3D atrous residual network is designed with a skip connection to enables the gradient from the deep layers to be directly propagated to shallow layers, thus, features of different depths are preserved and used for refining each other. In order to incorporate larger contextual information from volume MRI data, our network utilizes the 3D atrous convolution with various kernel sizes, which enlarges the receptive field of filters. Our proposed network has been evaluated on various datasets including BRATS2015, BRATS2017 and BRATS2018 datasets with both validation set and testing set. Our performance has been benchmarked by both region-based metrics and surface-based metrics. We also have conducted comparisons against state-of-the-art approaches.

연구 동기 및 목표

• 뇌 종양 분할에서 종양 픽셀이 배경 픽셀에 비해 극도로 적게 나타나는 심각한 클래스 불균형 문제를 해결하기 위해.
• 비효율적인 배경 영역 처리를 방지하기 위해 맥락적 탐지 네트워크를 통해 종양 관련 영역에 집중함으로써 분할 정확도를 향상시키기 위해.
• 깊이 있는 계층적 특징 표현을 유지하고 보존하기 위해 3D 잔차 블록에 스킵 연결을 통합하여 기울기 소실 문제를 완화하기 위해.
• 3D MRI 볼륨으로부터 더 큰 맥락 정보를 확보하기 위해 다양한 커널 크기를 가진 3D 아트로스 컨볼루션을 사용하여 수용 영역을 확장하면서도 파rameter 수를 증가시키지 않기 위해.
• BRATS 2015, 2017, 2018 기준 데이터셋에서 면적 기반(Dice) 및 표면 기반(Hausdorff, ASSD) 지표를 사용하여 최신 기술 수준의 성능을 달성하기 위해.

제안 방법

• 네트워크는 연속 다중 작업 아키텍처를 사용한다: 첫 번째 작업은 진짜 종양 인스턴스 주변 영역만 처리하는 맥락적 뇌 종양 탐지 네트워크로, 불필요한 배경을 억제하는 주의 게이트 역할을 한다.
• 두 번째 작업은 확장 컨볼루션을 사용하여 다양한 커널 크기를 활용하여 장거리 맥락을 포착하면서도 고해상도 특징을 유지하는 3D 아트로스 잔차 U-Net을 활용한다.
• 깊은 층에서 浅층으로의 직접 기울기 흐름을 가능하게 하기 위해 3D 잔차 블록에 스킵 연결을 통합하여 계층적 특징 표현을 유지한다.
• 모든 인코더 및 디코더 블록에 3D 아트로스 컨볼루션을 적용하여 수용 영역을 확장하고 부피형 MRI 데이터로부터 맥락 정보를 통합한다.
• 탐지 및 분할 목표를 동시에 최적화하기 위해 병합된 손실 함수를 사용하여 엔드 투 엔드로 모델을 훈련시킨다.
• 영역 제안은 진짜 종양 인스턴스 주변의 맥락적 영역에서만 생성되며, 전체 이미지 처리보다 계산 비용을 줄이고 제안 품질을 향상시킨다.

실험 결과

연구 질문

• RQ1 특화된 맥락적 탐지 헤드를 갖춘 다중 작업 네트워크가 비효율적인 배경 영역 처리를 줄임으로써 분할 성능을 향상시킬 수 있는가?
• RQ2 다양한 커널 크기를 가진 3D 아트로스 컨볼루션은 부피형 MRI 데이터에서 장거리 맥락을 포착하는 데 모델의 능력에 어떤 영향을 미치는가?
• RQ3 3D 잔차 네트워크에서 스킵 연결은 깊이 있는 아키텍처의 의료 영상 분할을 위한 훈련 중 기울기 소실 문제를 어느 정도 완화하는가?
• RQ4 제안된 방법은 표준 뇌 종양 분할 벤치마크(BRATS 2015, 2017, 2018)에서 덱스 점수와 표면 기반 지표 모두에서 최신 기술 수준의 모델을 초월하는가?
• RQ5 아블레이션 연구를 통해 맥락적 탐지 네트워크의 전체 성능에 대한 기여도는 어느 정도인가?

주요 결과

• BRATS 2018 테스트 세트에서 제안된 방법은 전체 종양(WT)의 덱스 점수 90.4%, 종양 핵심(TC) 82.3%, 강화 종양(ET) 72.4%를 기록하여 최신 기술 수준의 방법을 능가했다.
• BRATS 2017 온라인 테스트 세트에서 모델은 덱스 점수 90.0% (WT), 85.0% (TC), 63.0% (ET)를 기록하여 다양한 데이터셋 간의 강력한 일반화 능력을 입증했다.
• BRATS 2015 온라인 테스트 세트에서 모델은 덱스 점수 89.0% (WT), 85.0% (TC), 63.0% (ET)를 기록하여 최고 수준의 모델들과 경쟁 가능한 성능을 보였다.
• BRATS 2018 검증 세트에서의 아블레이션 연구 결과, 맥락적 탐지 네트워크를 포함함으로써 덱스 점수가 WT 90.25%에서 90.95%로, TC 85.78%에서 88.88%로, ET 79.59%에서 81.40%로 향상되어 긍정적인 기여도를 확인했다.
• BRATS 2018에서 전체 종양(WT)의 하우스도르프 거리는 3.73, 강화 종양(ET)은 2.70이었으며, 이는 최대 표면 거리가 낮고 경계 정확도가 높다는 것을 의미한다.
• 평균 대칭 표면 거리(ASSD)는 WT 3.73, ET 2.70로 예측된 종양 경계와 진짜 경계 사이의 정밀한 정렬을 보여주었다.