[논문 리뷰] Accurate brain extraction using Active Shape Model and Convolutional Neural Networks.

Nguyen Ho Minh Duy, Manh-Duy Nguyen외 2명|arXiv (Cornell University)|2018. 02. 05.

Medical Image Segmentation Techniques참고 문헌 39인용 수 9

한 줄 요약

이 논문은 뇌 영상에서 뼈를 제거하는 데 있어 새로운 방법인 ASM-CNN를 제안한다. 이 방법은 자기공명영상(MRI) 스캔에서 활성 형태 모델(Active Shape Models, ASM)과 합성곱 신경망(Convolutional Neural Networks, CNN)을 융합한 것이다. 수직 2차원 단면을 처리하고, 형태 유사성에 따라 영상을 그룹화하며, ASM의 출력을 CNN과 후처리 기법으로 보정함으로써, IBSR, LPBA, OASIS 세 가지 공개 데이터셋에서 기존의 다섯 가지 최첨단 방법보다 뛰어난 분할 정확도를 달성한다.

ABSTRACT

Brain extraction or skull stripping is a fundamental procedure in most of neuroimaging processing systems. The performance of this procedure has had a critical impact on the success of neuroimaging analysis. After several years of research and development, brain extraction still remains a challenging problem. In this paper, we propose an effective method for skull stripping in Magnetic Resonance Imaging (MRI) scans named ASM-CNN. Our system is a combination of Active Shape Model (ASM) and Convolutional Neural Network (CNN), taking full advantage of these two methods to achieve remarkable results. Instead of working with 3D structures, we process 2D image sequences in sagittal plane. First, we divide images into different groups such that, in each group, the shapes and structures of brain boundaries have similar appearances. This allows developing precise algorithms for each group in order to produce high performance segmentation results. Second, a modified version of ASM is used to detect the brain boundary in images by utilizing prior knowledge of each group. Finally, CNN and the post-processing methods such as Conditional Random Field, Gaussian Process and some special rules are applied to refine segmentation contour produced by ASM. We compared ASM-CNN with the latest version of five state-of-the-art, publicly available methods, namely BET, BSE, 3DSS, ROBEX and BEAST. The evaluation was carried out by using three public datasets IBSR, LPBA and OASIS. The experimental results show that the proposed method outperforms five states-of-the-art algorithms, surpassing all the other methods by a significant margin in all experiments.

연구 동기 및 목표

• 뇌 영상 분석의 후속 처리에 결정적인 영향을 미치는 뇌 추출(두개골 제거)의 정확성 문제를 해결한다.
• ASM의 형태 사전 지식과 CNN의 딥러닝 기반 특징 학습을 융합함으로써 기존 방법의 한계를 극복하고 분할의 강건성을 향상시킨다.
• 유사한 뇌 경계 외형을 가진 영상들을 그룹화하여, 다양한 MRI 스캔에서의 성능을 향상시키기 위해 그룹별 맞춤형 분할 알고리즘을 개선한다.
• ASM의 형태 모델링 능력과 CNN의 특징 학습 능력을 결합한 하이브리드 프레임워크를 개발하여 고정밀도의 윤곽선 보정을 실현한다.

제안 방법

• 3D 볼륨 대신 2D 수직 단면을 처리하여 계산 복잡도를 낮추고 국소적 특징 학습을 향상시킨다.
• 뇌 경계 형태와 구조의 유사성에 기반해 영상을 군집으로 그룹화하여, 각 그룹에 맞는 특화된 분할 모델을 구현한다.
• 군집별로 특화된 형태 사전 지식과 통계적 형태 지식을 활용해 수정된 활성 형태 모델(ASM)을 적용하여 뇌 경계를 탐지한다.
• 합성곱 신경망(CNN)을 활용해 공간적 및 강도 패턴을 학습함으로써 初기 ASM 분할 윤곽선을 보정한다.
• 조건부 랜덤 필드(CRF), 가우시안 프로세스, 영역 전용 규칙 등의 후처리 기법을 통합하여 분할 윤곽선을 더욱 부드럽고 정확하게 수정한다.
• 모든 구성 요소를 계단식 파이프라인으로 통합한다: ASM으로 초도 탐지, CNN으로 보정, 후처리로 최종 윤곽선 최적화.

실험 결과

연구 질문

• RQ1 활성 형태 모델(ASM)과 합성곱 신경망(CNN)을 융합함으로써, 기존 방법 대비 MRI 스캔에서의 뇌 추출 정확도가 향상되는가?
• RQ2 형태 유사성에 따라 MRI 영상을 그룹화하면, 그룹별로 특화된 ASM 및 CNN 모델을 적용했을 때 분할 성능이 향상되는가?
• RQ3 CNN과 후처리 기법(예: CRF, 가우시안 프로세스)의 통합이 뇌 경계 탐지의 강건성과 정밀도에 어느 정도 기여하는가?
• RQ4 제안된 ASM-CNN 방법은 다양한 공개된 뇌 영상 데이터셋에서 최첨단 두개골 제거 알고리즘과 비교해 어떻게 성능을 냈는가?

주요 결과

• ASM-CNN는 IBSR, LPBA, OASIS 세 가지 벤치마크 데이터셋 전반에서 기존의 다섯 가지 최첨단 방법(BET, BSE, 3DSS, ROBEX, BEAST)을 모두 뛰어넘는 성능을 보였다.
• 군집별 형태 사전 지식과 딥러닝 기반 보정을 통해 복잡하거나 저대비도인 뇌 영역의 오류를 줄이며 뛰어난 분할 정확도를 달성했다.
• CNN과 CRF, 가우시안 프로세스 등의 후처리 기법 통합으로 더 부드럽고 해부학적으로 타당한 분할 윤곽선을 도출했다.
• 모든 데이터셋에서 일관되고 뚜렷한 성능 향상이 관찰되어, 해부학적 변이에 대한 강건성과 일반화 능력이 뛰어나다는 것을 시사한다.
• 3D 볼륨 대신 2D 수직 단면을 사용함으로써 계산 효율성이 향상되었고, 분할 품질에 손상이 가지 않았다.
• 정량적 평가 지표에서 뚜렷한 성능 향상이 나타났지만, 제공된 초록에는 정확한 수치는 기재되지 않았다.