[논문 리뷰] A Strategy of MR Brain Tissue Images' Suggestive Annotation Based on Modified U-Net

Yang Deng, Yao Sun외 4명|arXiv (Cornell University)|2018. 07. 19.

Medical Image Segmentation Techniques참고 문헌 13인용 수 8

한 줄 요약

이 논문은 MR 뇌 조직(CSF, GM, WM)의 자동 분할을 위한 수정된 U-Net 모델을 제안하고, 모델의 불확실성에 기반해 레이블링을 우선시할 수 있는 비디오를 제안하는 애너테이션 전략을 도입한다. 이 방법은 IBSR18 데이터셋에서 훈련 데이터의 50%만을 사용하여 상태의 기준(DSC) 점수 0.8610(CSF), 0.9131(GM), 0.9003(WM)를 달성하였으며, 스캔당 추론 시간이 50초 이내로 끝나 임상 적용이 가능하다.

ABSTRACT

Accurate segmentation of MR brain tissue is a crucial step for diagnosis,surgical planning, and treatment of brain abnormalities. However,it is a time-consuming task to be performed by medical experts. So, automatic and reliable segmentation methods are required. How to choose appropriate training dataset from limited labeled dataset rather than the whole also has great significance in saving training time. In addition, medical data labeled is too rare and expensive to obtain extensively, so choosing appropriate unlabeled dataset instead of all the datasets to annotate, which can attain at least same performance, is also very meaningful. To solve the problem above, we design an automatic segmentation method based on U-shaped deep convolutional network and obtain excellent result with average DSC metric of 0.8610, 0.9131, 0.9003 for Cerebrospinal Fluid (CSF), Gray Matter (GM) and White Matter (WM) respectively on the well-known IBSR18 dataset. We use bootstrapping algorithm for selecting the most effective training data and get more state-of-the-art segmentation performance by using only 50% of training data. Moreover, we propose a strategy of MR brain tissue images' suggestive annotation for unlabeled medical data based on the modified U-net. The proposed method performs fast and can be used in clinical.

연구 동기 및 목표

• 임상 진단 및 치료 계획 수립을 지원하기 위해 정확하고 효율적인 딥러닝 기반의 MR 뇌 조직 분할 방법을 개발한다.
• 모델의 불확실성에 기반해 가장 정보가 많은 비레이블링된 MR 영상을 선별하여 레이블링에 소요되는 시간과 비용을 줄인다.
• 부트스트랩 전략을 사용해 최소한이지만 효과적인 훈련 데이터 하위집합을 선택하여 분할 성능를 향상시킨다.
• 빠른 추론 속도와 높은 분할 정확도를 갖춘 임상 적용 가능한 시스템을 구축한다.
• 선택적 레이블링 전략을 통해 고불확실성 케이스에 집중함으로써 전체 데이터셋 훈련과 유사한 성능을 달성할 수 있음을 입증한다.

제안 방법

• 3D MRI 뇌 조직 분할을 위해 수정된 U-Net 아키텍처를 사용하며, 스킵 커넥션과 완전히 연결된 층을 제거하여 공간 해상도를 유지한다.
• 사용자 정의 손실 함수는 $ L(y,y^{ ext{'} ext{'}}) = 4 - \sum_{i=0}^{3} DSC(y_i, y_i^{ ext{'} ext{'}}) $ 로 정의되며, 분할 성능 최적화를 위해 음수 DSC 계수를 최소화한다.
• 제안 애너테이션 전략은 높은 모델 불확실성(낮은 예측 신뢰도)을 가진 비레이블링 영상들을 선별하여 우선 레이블링 대상으로 삼는다.
• 부트스트랩 알고리즘은 모델 예측에 기반해 가장 정보가 많은 훈련 샘플을 선택하며, 반복적으로 성능 향상을 위해 더 적은 레이블링 예제로 학습한다.
• 모델은 소프트맥스 출력과 argmax를 사용해 가장 높은 예측 확률에 기반해 볼륨 단위 레이블을 할당하며, 임계값 최적화를 회피한다.
• 훈련은 단일 NVIDIA TitanX GPU에서 500 에포크 동안 수행되며, 검증 성능 향상 없이 30 에포크가 지나면 조기 종료된다.

실험 결과

연구 질문

• RQ1 수정된 U-Net은 감소된 훈련 데이터로도 MR 뇌 조직 분할에서 최고 성능을 달성할 수 있는가?
• RQ2 가장 정보가 많은 비레이블링 MR 영상은 무엇이며, 모델의 불확실성은 이러한 정보성 예측에 도움이 되는가?
• RQ3 모델 예측에 기반한 제안 애너테이션 전략은 레이블링 비용을 줄이면서도 분할 정확도를 유지하거나 향상시킬 수 있는가?
• RQ4 부트스트랩 전략을 사용해 훈련 데이터의 하위집합을 선택하면 전체 데이터셋 사용보다 더 높은 성능를 달성할 수 있는가?
• RQ5 빠른 추론 속도와 높은 정확도 덕분에 제안된 방법은 임상 적용이 가능한가?

주요 결과

• 수정된 U-Net은 IBSR18 데이터셋에서 CSF에 대해 평균 DSC 0.8610, GM에 대해 0.9131, WM에 대해 0.9003을 달성하여 기준 모델을 초월하였다.
• 부트스트랩 전략을 통해 선택된 훈련 데이터의 50%만을 사용하여도 높은 성능를 유지하였으며, 선택된 하위집합에서 평균 DSC는 0.8619였다.
• 제안 애너테이션 전략은 초기 평가 시 낮은 DSC 점수를 보인 사례들—환자 6, 7, 9, 15, 16, 17, 18—을 정보가 풍부한 비레이블링 케이스로 성공적으로 식별하였다.
• 부트스트랩된 훈련 세트(환자 7, 6, 17, 9)는 전체 훈련 세트(0.8511)보다 높은 평균 DSC(0.8619)를 기록하여 레이블링에 있어 그 가치를 입증하였다.
• 3D MRI 볼륨(256×128×256)당 추론 시간은 40~50초였으며, 이는 임상 적용에 적합하다는 것을 의미한다.
• 모델은 배치 정규화나 CLAHE와 같은 데이터 전처리 기법을 통해 성능 향상을 얻지 못했으며, 손실 함수는 직접 DSC 최소화를 통해 최적화되었다.