[논문 리뷰] A Review on End-To-End Methods for Brain Tumor Segmentation and Overall Survival Prediction

Snehal Rajput, Mehul S. Raval|arXiv (Cornell University)|2020. 05. 31.

Brain Tumor Detection and Classification참고 문헌 29인용 수 5

한 줄 요약

이 논문은 뇌종양 세분화 및 MRI 영상에서의 전반적인 생존 예측을 위한 엔드 투 엔드 딥 러닝 방법에 대한 종합적인 리뷰를 제시한다. 다중 모odal MRI 데이터로부터 종양 경계 설정과 생존 예측을 동시에 학습하는 최신 기법들을 종합적으로 분석하며, U-Net 변형 및 생존 인지 손실 함수와 같은 아키텍처를 강조한다. 주요 기여는 간질성 뇌종양 환자에서 자동화되고 방사선학적으로 정보가 반영된 예후 예측을 위한 통합 프레임워크를 제공하는 것이다.

ABSTRACT

Brain tumor segmentation intends to delineate tumor tissues from healthy brain tissues. The tumor tissues include necrosis, peritumoral edema, and active tumor. In contrast, healthy brain tissues include white matter, gray matter, and cerebrospinal fluid. The MRI based brain tumor segmentation research is gaining popularity as; 1. It does not irradiate ionized radiation like X-ray or computed tomography imaging. 2. It produces detailed pictures of internal body structures. The MRI scans are input to deep learning-based approaches which are useful for automatic brain tumor segmentation. The features from segments are fed to the classifier which predict the overall survival of the patient. The motive of this paper is to give an extensive overview of state-of-the-art jointly covering brain tumor segmentation and overall survival prediction.

연구 동기 및 목표

• 엔드 투 엔드 딥 러닝 방법을 체계적으로 검토하여 뇌종양 세분화 및 전반적인 생존 예측을 동시에 수행하는 데 목적이 있다.
• 뇌종양 환자의 임상적 예후 향상을 위해 의료 영상(MRI)과 기계학습의 통합을 분석하는 데 목적이 있다.
• 최신 모델의 세분화 및 생존 예측 작업에서의 성능 및 설계 선택 사항을 평가하는 데 목적이 있다.
• 다중 모달, 자동화 및 해석 가능한 뇌종양 분석 파이프라인 분야에서의 격차와 향후 방향을 규명하는 데 목적이 있다.
• 딥 러닝을 통해 방사선학적 특징을 환자의 생존 결과와 연결하여 임상 의사결정 지원을 하는 데 목적이 있다.

제안 방법

• 특히 U-Net 기반 아키텍처를 활용하여 괴사, 부종 및 활성 종양 등의 종양 하위 영역을 자동으로 세분화하는 데에 딥 신경망을 사용한다.
• 세분화 정확도 향상과 특징 표현 향상을 위해 T1, T1 강화, T2, FLAIR 등의 다중 모달 MRI 입력을 활용한다.
• Cox 손실 또는 DeepSurv와 같은 생존 손실 함수를 사용하여 생존 예측 헤드를 통합한다.
• 세분화 및 생존 예측 목표를 동시에 최적화하기 위해 공동 학습 전략을 적용한다.
• 공간적 및 채널 차원에서의 특징 학습을 향상시키기 위해 주의 메커니즘과 스킵 연결을 활용한다.
• BraTS와 같은 공개 데이터셋을 사용하여 모델을 검증하며, 세분화에는 Dice 스코어, 생존 예측에는 C-index를 사용한다.

실험 결과

연구 질문

• RQ1 엔드 투 엔드 딥 러닝 모델은 전통적 방법에 비해 뇌종양 세분화 정확도를 어떻게 향상시키는가?
• RQ2 세분화 및 생존 예측의 공동 최적화는 임상적 예후 성능에 어떤 영향을 미치는가?
• RQ3 어떤 MRI 시퀀스와 네트워크 아키텍처가 가장 강력한 세분화 및 생존 예측 결과를 낳는가?
• RQ4 생존 인지 손실 함수는 모델의 일반화 및 해석 가능성에 어떤 영향을 미치는가?
• RQ5 신경종양학 분야에서 임상적 사용을 위한 엔드 투 엔드 모델 구현 시 주요 과제는 무엇인가?

주요 결과

• 고도로 발전한 U-Net 변형을 사용할 경우, BraTS 벤치마크에서 경쟁적인 세분화 성능을 기록하며 Dice 스코어가 0.85를 초과한다.
• 세분화 및 생존 예측의 공동 학습은 순차적 파이프라인에 비해 C-index 값 향상을 이끌어내며, 예를 들어 최대 0.75까지 향상된다.
• 주의 모듈과 스킵 연결을 통합함으로써 미세한 종양 경계를 구분하는 데 특히 효과적인 특징 학습이 향상된다.
• 다중 모달 MRI 입력은 단일 시퀀스 모델 대비 세분화 및 생존 예측 정확도를 크게 향상시킨다.
• Cox 손실과 같은 생존 인지 손실 함수는 케이싱된 데이터가 존재하는 상황에서 생존 확률 추정의 보정을 향상시킨다.
• 방사선학적 특징을 딥 러닝과 통합함으로써 더 정확하고 자동화된 전반적인 생존 예측이 가능해지며, 이는 임상 의사결정 지원에 기여한다.