[논문 리뷰] Almost instant brain atlas segmentation for large-scale studies

Alex Fedorov, Eswar Damaraju외 2명|arXiv (Cornell University)|2017. 11. 01.

Functional Brain Connectivity Studies참고 문헌 20인용 수 9

한 줄 요약

이 논문은 초당 수천 명의 환자를 포함하는 대규모 뇌 영상 연구를 위해, 50개 이상의 영역을 포함하는 전체 뇌 어휘 분할을 위한 빠르고 정확하며 확장 가능한 완전 컨volution 신경망(MeshNet)을 제안한다. 최신 도구의 사전 훈련된 출력을 활용하여 근접한 실시간 추론(1분 이내)을 달성한다. 기존 방법보다 100배 이상 빠르면서도 정확도는 유사하게 유지하여 대규모 뇌영상 연구 및 임상 적용에 효율성을 제공하며, 다중 모odal 입력을 지원한다.

ABSTRACT

Large scale studies of group differences in healthy controls and patients and screenings for early stage disease prevention programs require processing and analysis of extensive multisubject datasets. Complexity of the task increases even further when segmenting structural MRI of the brain into an atlas with more than 50 regions. Current automatic approaches are time-consuming and hardly scalable; they often involve many error prone intermediate steps and don't utilize other available modalities. To alleviate these problems, we propose a feedforward fully convolutional neural network trained on the output produced by the state of the art models. Incredible speed due to available powerful GPUs neural network makes this analysis much easier and faster (from $>10$ hours to a minute). The proposed model is more than two orders of magnitudes faster than the state of the art and yet as accurate. We have evaluated the network's performance by comparing it with the state of the art in the task of differentiating region volumes of healthy controls and patients with schizophrenia on a dataset with 311 subjects. This comparison provides a strong evidence that speed did not harm the accuracy. The overall quality may also be increased by utilizing multi-modal datasets (not an easy task for other models) by simple adding more modalities as an input. Our model will be useful in large-scale studies as well as in clinical care solutions, where it can significantly reduce delay between the patient screening and the result.

연구 동기 및 목표

• 수천 명의 환자를 포함하는 대규모 뇌영상 연구에서 빠르고 확장 가능하며 정확한 뇌 어휘 분할의 증가하는 필요를 해결하기 위해.
• 기존 자동 분할 도구의 한계를 극복하기 위해, 이는 느리고 오류가 많으며 일반적으로 다중 모odal 통합이 부족하다.
• 정확도를 유지하면서 추론 시간을 극적으로 줄이는 경량의 피드포워드 완전 컨볼루션 네트워크를 개발하기 위해.
• 다양한 데이터셋, 특히 다중 사이트 및 다중 스캐너 MRI 데이터를 포함한 전이 학습을 가능하게 하여 강력한 임상 및 연구 적용을 위해.
• 대규모 코hort에서 일관된 영역 부피 추정을 통해 통계적 메타 분석 및 조기 질병 탐지에 기여하기 위해.

제안 방법

• 고해상도 2D MRI 슬라이스를 사용하여 Human Connectome Project(HCP) 데이터셋에서 FreeSurfer를 통해 생성된 어휘 레이블을 기반으로 피드포워드 완전 컨볼루션 신경망(MeshNet)을 훈련한다.
• 스킵 커넥션 또는 순환층 없이 확장된 컨볼루션과 단순한 인코더-디코더 아키텍처를 사용하여 복잡성과 파라미터 수를 감소시킨다.
• 입력 데이터는 T1 가중 및 선택적으로 T2 가중 MRI 시퀀스를 포함하여 조직 대비와 분할 정확도를 향상시킨다.
• 뇌 중심(127,145,127)을 중심으로 정규분포를 가진 부분체적 샘플링을 사용하여 중심 뇌 영역을 우선시하고 수렴을 향상시킨다.
• 배치 정규화는 활성화 함수 이전에 적용되며, Xavier 초기화는 더 빠른 수렴과 낮은 손실을 위해 사용된다.
• 스캐너 변동성과 환자 병리에 적응하기 위해 초기 레이어를 동결하지 않고, 감소된 Adam 학습률(0.00001)을 사용하여 다중 사이트 FBIRN 데이터에서 미세 조정을 수행한다.

실험 결과

연구 질문

• RQ1 경량의 완전 컨볼루션 네트워크가 정확도를 희생시키지 않고 50개 이상의 어휘 영역으로 뇌 MRI 분할을 근접한 실시간으로 수행할 수 있는가?
• RQ2 건강한 대조군과 조현병 환자 간의 영역 부피 차이를 고려할 때, 제안된 방법이 FreeSurfer보다 어떻게 성능을 냈는가?
• RQ3 이미지 품질과 촬영 프로토콜이 다양한 다중 사이트, 다중 스캐너 MRI 데이터에서 모델의 일반화 능력은 어느 정도인가?
• RQ4 두 번째 모odal로 T2-가중 영상을 통합하면 제안된 프레임워크에서 분할 성능이 향상되는가?
• RQ5 기존 아키텍처 변경 없이도 새로운 사이트의 제한된 데이터에서 효과적으로 미세 조정이 가능한가?

주요 결과

• 제안된 MeshNet 모델은 FreeSurfer에서 10시간 이상이 걸리던 추론 시간을 1분 이내로 단축하여 100배 이상의 속도 향상을 달성한다.
• 모델은 FreeSurfer와 유사한 분할 정확도를 달성하였으며, 건강한 대조군과 조현병 환자 간의 비교에서 95개 영역 중 94개에서 코헨의 d 효과 크기 차이가 0.05 이내였다.
• 95개 영역 중 22개에서 효과 크기 차이가 0.05 이내였고, 73개 영역에서는 코헨의 d 방향이 일致하여 강한 일致성을 보였다.
• T2-가중 영상을 입력으로 추가함으로써 분할 품질이 향상되었으며, 이는 모델이 다중 모달 데이터를 효과적으로 활용할 수 있음을 보여주었다.
• HCP 기반 모델과 유사한 성능을 얻기 위해 각 사이트에서 평균 7명의 뇌 데이터만으로 다중 사이트 FBIRN 데이터셋에서의 미세 조정이 가능했으며, 스캐너 및 환자 집단 간 강력한 전이 가능성을 확인하였다.
• 모델은 1층당 71개의 특징 맵에서 최적화된 낮은 교차 엔트로피 손실을 유지하였고, Xavier 가중치 초기화 및 최적의 가우시안 부분체적 샘플링을 통해 더 빠른 수렴을 보였다.