[논문 리뷰] A new smart-cropping pipeline for prostate segmentation using deep learning networks

Dimitrios I. Zaridis, Eugenia Mylona외 5명|arXiv (Cornell University)|2021. 07. 06.

Advanced Neural Network Applications인용 수 5

한 줄 요약

이 논문은 전립선 주변 영역을 자동으로 크롭하여 배경의 지배를 줄이고 분할 정확도를 향상시키기 위해 딥러닝 기반의 스마트 크롭핑 파이프라인을 제안한다. 기존의 표준 중앙 크롭핑을 대체하여 학습된 적응형 크롭핑을 적용함으로써, 다양한 U-Net 변종에서 DSC 점수를 최대 8.9% 향상시켜 전립선 분할 성능 향상이 뚜렷하게 입증된다.

ABSTRACT

Prostate segmentation from magnetic resonance imaging (MRI) is a challenging task. In recent years, several network architectures have been proposed to automate this process and alleviate the burden of manual annotation. Although the performance of these models has achieved promising results, there is still room for improvement before these models can be used safely and effectively in clinical practice. One of the major challenges in prostate MR image segmentation is the presence of class imbalance in the image labels where the background pixels dominate over the prostate. In the present work we propose a DL-based pipeline for cropping the region around the prostate from MRI images to produce a more balanced distribution of the foreground pixels (prostate) and the background pixels and improve segmentation accuracy. The effect of DL-cropping for improving the segmentation performance compared to standard center-cropping is assessed using five popular DL networks for prostate segmentation, namely U-net, U-net+, Res Unet++, Bridge U-net and Dense U-net. The proposed smart-cropping outperformed the standard center cropping in terms of segmentation accuracy for all the evaluated prostate segmentation networks. In terms of Dice score, the highest improvement was achieved for the U-net+ and ResU-net++ architectures corresponding to 8.9% and 8%, respectively.

연구 동기 및 목표

• 배경 픽셀이 전립선 픽셀에 비해 훨씬 많아지는 전립선 MRI 분할에서의 클래스 불균형 문제를 해결하기 위해.
• 모델이 관련 없는 배경 영역에 노출되는 것을 줄임으로써 딥러닝 기반 전립선 분할 성능을 향상시키기 위해.
• 딥러닝을 활용해 전립선 주변의 적응형 MRI 영역을 자동으로 크롭하는 스마트 크롭핑 파이프라인을 개발하기 위해.
• 다양한 최신 기술 기반 U-Net 아키텍처에서 스마트 크롭핑의 영향을 분할 정확도 측면에서 평가하기 위해.
• 스마트 크롭핑이 분할 작업에서 더 균형 잡힌 전경-배경 분포를 만들어내고 일반화 성능을 향상시킨다는 것을 입증하기 위해.

제안 방법

• T2 강도 MRI 스캔에서 전립선 주변 최적의 크롭 영역을 예측할 수 있도록 딥러닝 모델을 훈련시킨다.
• 표준 중앙 크롭핑을 대체하여 학습된 적응형 크롭핑을 적용하여 해부학적 관심 영역에 집중한다.
• 크롭된 영역은 다섯 가지 기존의 U-Net 기반 분할 네트워크에 입력된다: U-Net, U-Net+, ResU-Net++, Bridge U-Net, 그리고 Dense U-Net.
• 입력에서 전경(전립선) 픽셀 비율을 높여 훈련 중 클래스 불균형을 줄이기 위한 목적으로 설계된다.
• 표준 분할 평가 지표, 특히 DSC(Dice Similarity Coefficient)를 사용해 모델을 평가한다.
• 전체 과정이 엔드 투 엔드로 미분 가능하므로 크롭핑과 분할을 동시에 최적화할 수 있다.

실험 결과

연구 질문

• RQ1 학습된 크롭핑 전략이 전립선 MRI에서 배경 지배를 줄이고 분할 성능을 향상시킬 수 있는가?
• RQ2 다양한 U-Net 아키텍처에서 스마트 크롭핑은 표준 중앙 크롭핑 대비 DSC 점수에서 어떤 차이를 보이는가?
• RQ3 스마트 크롭핑 파이프라인은 어떤 분할 네트워크에서 성능 향상이 가장 크게 나타나는가?
• RQ4 제안된 파이프라인이 크롭된 영역에서 더 균형 잡힌 전경-배경 분포를 만들어내는가?
• RQ5 스마트 크롭핑 방법은 아키텍처 수정 없이 다양한 U-Net 기반 아키텍처에 일반화 가능한가?

주요 결과

• 스마트 크롭핑 파이프라인은 평가된 다섯 가지 U-Net 기반 네트워크 전반에서 분할 정확도를 크게 향상시켰다.
• 가장 높은 DSC 점수 향상은 U-Net+에서 관찰되었으며, 중심 크롭핑 대비 8.9%의 상대적 증가를 기록했다.
• ResU-Net++는 제안된 크롭핑 방법을 사용할 경우 DSC 점수에서 8.0% 향상되었다.
• 모든 네트워크가 일관된 성능 향상을 보이며, 이는 아키텍처 간에 메서드의 강건성을 확인한다.
• 메서드가 배경 픽셀의 지배를 효과적으로 줄여, 크롭된 입력에서 더 균형 잡힌 전경-배경 분포를 만들어냈다.
• 결과적으로 스마트 크롭핑은 임상 MRI에서 전립선 분할 성능 향상에 매우 효과적인 사전처리 단계임을 시사한다.