[논문 리뷰] A Novel Mask R-CNN Model to Segment Heterogeneous Brain Tumors through Image Subtraction

Sanskriti Singh|arXiv (Cornell University)|2022. 04. 04.

Brain Tumor Detection and Classification인용 수 6

한 줄 요약

이 논문은 MRI 스캔에서 이질적인 뇌종양의 분할을 향상시키기 위해 영상 빼기 영역을 통합한 새로운 마스크 R-CNN 모델을 제안한다. 사전 대조(T1) 영상과 대조 강화(T1gd) 영상을 사전에 빼기 전에 ResNet-18 기반 모델을 RSNA 폐렴 검출 데이터셋으로 사전 훈련한 후에 입력하여, BraTS2020 테스트 세트에서 DICE 계수 0.75를 달성하였으며, 빼기 없이 사용한 기준 모델(0.69)보다 뛰어난 성능을 보였다.

ABSTRACT

The segmentation of diseases is a popular topic explored by researchers in the field of machine learning. Brain tumors are extremely dangerous and require the utmost precision to segment for a successful surgery. Patients with tumors usually take 4 MRI scans, T1, T1gd, T2, and FLAIR, which are then sent to radiologists to segment and analyze for possible future surgery. To create a second segmentation, it would be beneficial to both radiologists and patients in being more confident in their conclusions. We propose using a method performed by radiologists called image segmentation and applying it to machine learning models to prove a better segmentation. Using Mask R-CNN, its ResNet backbone being pre-trained on the RSNA pneumonia detection challenge dataset, we can train a model on the Brats2020 Brain Tumor dataset. Center for Biomedical Image Computing & Analytics provides MRI data on patients with and without brain tumors and the corresponding segmentations. We can see how well the method of image subtraction works by comparing it to models without image subtraction through DICE coefficient (F1 score), recall, and precision on the untouched test set. Our model performed with a DICE coefficient of 0.75 in comparison to 0.69 without image subtraction. To further emphasize the usefulness of image subtraction, we compare our final model to current state-of-the-art models to segment tumors from MRI scans.

연구 동기 및 목표

• 딥 러닝을 활용하여 이질적인 MRI 스캔에서 뇌종양 분할의 정확도를 향상시키는 것.
• 임상 실무에서 T1, T1gd, T2 및 FLAIR 시퀀스 간에 변동성이 큰 종양의 외형을 다루는 데 도전하는 것.
• 분할 성능에 대한 전처리 단계로 영상 빼기의 영향을 평가하는 것.
• 표준 지표인 DICE, 정밀도 및 재현율을 사용하여 제안된 모델을 기준 모델 및 최신 기술 모델과 비교하는 것.

제안 방법

• 모델는 RSNA 폐렴 검출 데이터셋으로 사전 훈련한 ResNet-18 기반 모델을 특징 추출에 사용하는 마스크 R-CNN를 사용한다.
• T1 및 T1gd MRI 시퀀스 간의 영상 빼기를 통해 대조 강화 종양 영역을 강조한다.
• 빼기 처리된 영상 쌍을 마스크 R-CNN 모델의 입력으로 사용하여 뇌종양의 인스턴스 분할을 수행한다.
• 모델는 다중 시퀀스 MRI 스캔과 전문가가 애너테이션한 분할 결과를 포함한 BraTS2020 데이터셋에서 훈련 및 평가된다.
• 훈련 과정은 BraTS2020 검증 및 테스트 세트에서 전이 학습 및 미세조정을 활용한다.
• 성능 평가는 테스트 세트를 그대로 유지한 채로 표준 지표인 DICE 계수, 정밀도 및 재현율을 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 T1와 T1gd MRI 시퀀스 간의 영상 빼기가 마스크 R-CNN 프레임워크 내에서 종양 분할 성능을 향상시키는가?
• RQ2 영상 빼기를 적용하지 않은 기준 마스크 R-CNN와 비교할 때 제안된 모델의 DICE 점수 및 분할 지표는 어떻게 다른가?
• RQ3 영상 빼기와 사전 훈련된 모델에서의 전이 학습을 조합함으로써 이질적인 뇌종양 분할에 대한 일반화 능력이 향상되는가?
• RQ4 제안된 방법은 BraTS2020 벤치마크에서 최신 기술 모델과 비교해 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 모델은 BraTS2020 테스트 세트에서 DICE 계수 0.75를 달성하였으며, 영상 빼기를 적용하지 않은 기준 모델(0.69)에 비해 뚜렷한 향상이 있었다.
• 모델는 기준 모델 대비 더 높은 정밀도와 재현율을 보였으며, 이는 종양 경계를 더 정확하고 완전하게 탐지할 수 있음을 시사한다.
• 영상 빼기는 종양 대비 대조를 효과적으로 향상시켜 모델이 종양 영역을 주변 조직과 더 잘 구분할 수 있도록 했다.
• RSNA 폐렴 검출 데이터셋에서의 전이 학습을 통해 특징 학습과 모델 수렴이 뇌종양 분할 작업에서 향상되었다.
• 모델는 모든 평가 지표에서 기준 모델을 능가하여 영상 빼기 전처리 단계의 효과성을 입증하였다.
• 결과적으로 제안된 방법은 BraTS2020 맥락에서 최신 기술 접근법과 경쟁 가능한 성능을 보였다.