[논문 리뷰] Accurate Automatic Segmentation of Amygdala Subnuclei and Modeling of Uncertainty via Bayesian Fully Convolutional Neural Network

Yilin Liu, Gengyan Zhao외 6명|arXiv (Cornell University)|2019. 02. 19.

Nuclear Physics and Applications참고 문헌 47인용 수 5

한 줄 요약

이 논문은 확장된 수용체 필드와 확장된 컨volution을 활용하여 경계 국소화를 향상시켜, 매우 작은 크기이면서 형태학적으로 복잡한 해마의 하위핵을 정확하게 자동으로 분할할 수 있도록 하는 3D 베이지안 완전 컨volution 신경망을 제안한다. 이 방법은 상태의 기준(SOTA) 성능을 달성하여 DSC 및 대칭 표면 거리 측정치에서 뛰어난 결과를 보이며, 이질적인 데이터 패턴을 탐지하기 위해 예측 불확실성을 모델링한다.

ABSTRACT

Recent advances in deep learning have improved the segmentation accuracy of subcortical brain structures, which would be useful in neuroimaging studies of many neurological disorders. However, most of the previous deep learning work does not investigate the specific difficulties that exist in segmenting extremely small but important brain regions such as the amygdala and its subregions. To tackle this challenging task, a novel 3D Bayesian fully convolutional neural network was developed to apply a dilated dualpathway approach that retains fine details and utilizes both local and more global contextual information to automatically segment the amygdala and its subregions at high precision. The proposed method provides insights on network design and sampling strategy that target segmentations of small 3D structures. In particular, this study confirms that a large context, enabled by a large field of view, is beneficial for segmenting small objects; furthermore, precise contextual information enabled by dilated convolutions allows for better boundary localization, which is critical for examining the morphology of the structure. In addition, it is demonstrated that the uncertainty information estimated from our network may be leveraged to identify atypicality in data. Our method was compared with two state-of-the-art deep learning models and a traditional multi-atlas approach, and exhibited excellent performance as measured both by Dice overlap as well as average symmetric surface distance. To the best of our knowledge, this work is the first deep learning-based approach that targets the subregions of the amygdala.

연구 동기 및 목표

• 3D MRI 스캔에서 매우 작고 형태학적으로 복잡한 해마 하위핵을 분할하는 데 도전하는 데 목적이 있다.
• 맥락 정보와 확장된 컨볼루션을 활용하여 작은 뇌 구조물의 경계 국소화를 향상시키는 데 목적이 있다.
• 예측 불확실성을 정량화하는 딥 러닝 프레임워크를 개발하여 이질적인 신경해부학적 구조를 식별하는 데 목적이 있다.
• 기존의 딥 러닝 및 다중 아틀라스 방법들과 비교하여 하위피질 구조를 분할하는 데 있어 제안된 아키텍처의 우월성을 입증하는 데 목적이 있다.
• 이전에 딥 러닝으로는 달성하지 못했던 고정밀도 해마 하위영역 분할을 위한 새로운 완전 자동화 접근법을 제공하는 데 목적이 있다.

제안 방법

• 지역적 및 전역적 맥락적 특징을 모두 포착하기 위해 확장된 이중 경로 아키텍처를 갖춘 3D 베이지안 완전 컨볼루션 신경망(FCN)을 설계하였다.
• 해당 네트워크는 해상도를 유지하면서 수용체 필드를 확장하기 위해 확장된 컨볼루션을 사용하였다.
• 넓은 시야를 통해 광범위한 맥락 정보를 통합하여, 매우 작은 하위핵의 분할 정확도를 향상시켰다.
• 예측 불확실성을 추정하기 위해 네트워크의 가중치에 베이지안 추론을 적용하여 불확실성 인식 분할을 가능하게 하였다.
• 작고 복잡한 구조물인 해마 하위핵과 같은 구조에서 일반화 및 내성 면을 향상시키기 위해 샘플링 전략을 최적화하였다.
• 모델은 전문가가 레이블링한 하위핵 레이블이 포함된 3D T1-강조 MRI 스캔에서 엔드 투 엔드로 훈련되었다.

실험 결과

연구 질문

• RQ1 기존의 딥 러닝 및 다중 아틀라스 방법들과 비교하여, 확장된 컨볼루션을 갖춘 3D 베이지안 FCN이 작은 해마 하위핵에 대해 뛰어난 분할 정확도를 달성할 수 있는가?
• RQ2 확장된 컨볼루션을 통해 넓은 수용체 필드를 통합함으로써, 하위피질 구조물의 경계 국소화가 향상되는가?
• RQ3 베이지안 네트워크에서 유도된 불확실성 추정치가 이질적이거나 모호한 신경해부학적 사례를 효과적으로 식별할 수 있는가?
• RQ4 이중 경로 아키텍처는 작은 3D 구조물에서 국소 세부 정보와 전역 맥락을 효과적으로 균형 잡는 데 효과적인가?
• RQ5 제안된 방법은 수동 조작 없이 신뢰할 수 있는 자동 분할을 제공할 수 있는가?

주요 결과

• 제안된 방법은 비교된 모든 방법들 중에서 가장 높은 디스크 상호정보량(DSC)을 기록하였으며, 두 가지 최신 딥 러닝 모델과 전통적인 다중 아틀라스 접근법을 뚜렷이 능가하였다.
• 네트워크는 하위핵에서 더 정확한 경계 국소화를 나타내는, 뛰어난 평균 대칭 표면 거리(ASDD)를 보였다.
• 베이지안 네트워크에서 생성된 불확실성 맵은 이질적인 형태학적 특징이나 모호한 조직 대비를 보이는 영역을 효과적으로 강조하였다.
• 확장된 컨볼루션의 사용은 공간 해상도를 유지하면서 넓은 수용체 필드를 가능하게 하여, 작은 하위핵의 정밀한 분할에 매우 중요하였다.
• 이중 경로 설계는 국소 텍스처 특징와 전역 맥락 정보를 효과적으로 융합하여 분할의 내성과 안정성을 향상시켰다.
• 본 연구는 불확실성 정량화 기능을 갖춘 해마 하위핵 자동 분할을 위한 첫 번째 딥 러닝 기반 접근법을 제공한다.