[논문 리뷰] A Transfer Learning Approach for Automated Segmentation of Prostate Whole Gland and Transition Zone in Diffusion Weighted MRI

Saman Motamed, Isha Gujrathi외 4명|arXiv (Cornell University)|2019. 09. 20.

Prostate Cancer Diagnosis and Treatment참고 문헌 43인용 수 11

한 줄 요약

이 논문은 더 큰 소스 코hort에서 사전 훈련된 특징을 활용하여, 더 작은 타겟 코hort에서의 성능을 향상시키기 위해 수정된 U-Net을 사용한 전이 학습 접근법을 제안한다. 이는 확산 영상 MRI(DW-MRI)에서 전립선 전체선과 전이영역의 자동 분할을 향상시키기 위한 것이다. 단지 30개의 미세조정된 타겟 케이스로도, 이 방법은 둘 다 평균 DSC 0.80을 달성하며, 전이 학습을 하지 않은 경우(각각 0.65 및 0.51)보다 유의하게 뛰어난 성능을 보인다.

ABSTRACT

The segmentation of prostate whole gland and transition zone in Diffusion Weighted MRI (DWI) are the first step in designing computer-aided detection algorithms for prostate cancer. However, variations in MRI acquisition parameters and scanner manufacturing result in different appearances of prostate tissue in the images. Convolutional neural networks (CNNs) which have shown to be successful in various medical image analysis tasks including segmentation are typically sensitive to the variations in imaging parameters. This sensitivity leads to poor segmentation performance of CNNs trained on a source cohort and tested on a target cohort from a different scanner and hence, it limits the applicability of CNNs for cross-cohort training and testing. Contouring prostate whole gland and transition zone in DWI images are time-consuming and expensive. Thus, it is important to enable CNNs pretrained on images of source domain, to segment images of target domain with minimum requirement for manual segmentation of images from the target domain. In this work, we propose a transfer learning method based on a modified U-net architecture and loss function, for segmentation of prostate whole gland and transition zone in DWIs using a CNN pretrained on a source dataset and tested on the target dataset. We explore the effect of the size of subset of target dataset used for fine-tuning the pre-trained CNN on the overall segmentation accuracy. Our results show that with a fine-tuning data as few as 30 patients from the target domain, the proposed transfer learning-based algorithm can reach dice score coefficient of 0.80 for both prostate whole gland and transition zone segmentation. Using a fine-tuning data of 115 patients from the target domain, dice score coefficient of 0.85 and 0.84 are achieved for segmentation of whole gland and transition zone, respectively, in the target domain.

연구 동기 및 목표

• 다른 MRI 촬영 프로토콜과 스캐너를 사용할 때 딥 러닝 모델의 일반화 능력이 떨어지는 문제를 해결한다.
• 작은 도메인 특화 데이터셋에서 딥 네트워크를 훈련하는 데서 기인하는 한계를 극복하기 위해 더 큰 소스 코hort에서 사전 훈련된 특징을 활용한다.
• 촬영 파rameter 변화에 민감한 확산 영상 MRI(DW-MRI)에서 전립선 전체선(WG)과 전이영역(TZ)의 분할 정확도를 향상시킨다.
• 임상의들이 전립선 분할에서 효과적인 전이 학습을 위해 필요한 최소한의 레이블링된 케이스 수를 안내할 수 있는 자료 효율적인 지침을 제공한다.
• 분할 성능을 향상시키기 위해 클래스 불균형에 대한 민감도를 줄이고, 저자료 환경에서 최적화를 향상시키기 위해 수정된 딥 러닝 손실 함수를 개발한다.

제안 방법

• 더 큰 소스 코hort에서 전이 학습을 통해 사전 훈련된 U-Net 모델을 작은 타겟 도메인 DW-MRI 스캔의 레이블이 부여된 서브셋에 대해 미세조정한다.
• 클래스 불균형에 대한 민감도를 줄이고 저자료 설정에서 최적화를 향상시키기 위해 수정된 딥 러닝 손실 함수를 적용한다.
• 스킵 연결을 갖춘 U-Net 아키텍처를 사용하여 공간 해상도를 유지하고 다중 척도 특징을 캡처하여 정확한 분할을 달성한다.
• 이미지넷 사전 훈련 또는 소스 코hort에서 훈련된 인코더 가중치를 기반으로, 타겟 도메인에서 끝에서 끝까지 모델을 훈련한다.
• 표준 평가 지표인 딥 러닝 유사도 계수(DSC)를 사용하여 성능을 평가하고, 다양한 미세조정 데이터셋 크기에서의 분석을 수행한다.
• 전이 학습 성능을 타겟 도메인에서만 훈련된 기준 모델과 비교한다.

실험 결과

연구 질문

• RQ1 더 큰 소스 코hort에서의 전이 학습이, 다른 MRI 촬영 파rameter를 가진 더 작은 타겟 코호트에서 분할 정확도를 유의미하게 향상시킬 수 있는가?
• RQ2 전이 학습을 사용할 때 임상적으로 만족할 수 있는 분할 성능를 달성하기 위해 필요한 최소한의 레이블이 부여된 타겟 도메인 케이스 수는 얼마인가?
• RQ3 저자료 환경에서 제안된 수정된 딥 러닝 손실 함수가 표준 딥 러닝 손실 함수보다 전립선 분할에 대해 어떻게 성능을 향상시키는가?
• RQ4 전이 학습이 분할 파이프라인에서 별도의 전립선 탐지 단계가 필요 없게 하는가?
• RQ5 타겟 도메인에서의 미세조정 데이터셋 크기가 증가함에 따라 모델 성능은 어떻게 변화하는가?

주요 결과

• 타겟 도메인에서 단지 30개의 미세조정된 케이스만으로도 전이 학습 모델이 전립선 전체선과 전이영역 분할에 대해 평균 딥 러닝 유사도 계수(DSC) 0.80을 달성하였다. 전이 학습을 하지 않은 경우는 각각 0.65 및 0.51이었다.
• 레이블이 부여된 타겟 케이스 115개를 사용할 경우, 모델은 전립선 전체선에 대해 평균 DSC 0.85, 전이영역에 대해 0.84를 기록하였으며, 이는 전이 학습을 하지 않은 기준 모델(0.71 DSC)보다 유의미하게 뛰어났다.
• 수정된 딥 러닝 손실 함수는 저자료 환경에서의 분할 성능를 향상시키며, 별도의 전립선 탐지 네트워크가 필요 없게 하였다.
• 전이 학습은 다양한 MRI 스캐너와 촬영 프로토콜 간에서도 견고한 분할을 가능하게 하여, 영상 파rameter 변화에 대한 민감도를 감소시켰다.
• 결과적으로 전이 학습은 최소한의 레이블링 노력으로도 고정확도 분할을 가능하게 하며, 임상적 레이블링에 실용적인 지침을 제공함을 입증하였다.
• 본 연구는 더 큰 소스 코호트에서 사전 훈련된 특징을 활용하는 것이 DW-MRI에서의 교차 코호트 전립선 분할에 매우 효과적임을 확인하였다.