[논문 리뷰] Auto-context Convolutional Neural Network (Auto-Net) for Brain Extraction in Magnetic Resonance Imaging

Seyed Sadegh Mohseni Salehi, Deniz Erdoğmuş외 1명|arXiv (Cornell University)|2017. 03. 06.

Fetal and Pediatric Neurological Disorders참고 문헌 31인용 수 18

한 줄 요약

이 논문은 다중 방향 2D 패치를 통해 국소적이고 전역적인 영상 특징을 학습하는 자동-컨텍스트 컨volution 신경망(CNN)을 사용하는 등록 불필요한 뇌 추출 방법인 Auto-Net을 제안한다. LPBA40에서 97.73%의 최고 성능(Dice 점수), OASIS에서 97.62%의 최고 성능을 기록하였으며, 도전적인 태반 MRI 데이터에서 95.97%의 Dice 점수를 기록하여 기존 방법보다 등록 및 기하학적 가정에 의존하지 않음으로써 뛰어난 성능을 발휘한다.

ABSTRACT

Brain extraction or whole brain segmentation is an important first step in many of the neuroimage analysis pipelines. The accuracy and robustness of brain extraction, therefore, is crucial for the accuracy of the entire brain analysis process. With the aim of designing a learning-based, geometry-independent and registration-free brain extraction tool in this study, we present a technique based on an auto-context convolutional neural network (CNN), in which intrinsic local and global image features are learned through 2D patches of different window sizes. In this architecture three parallel 2D convolutional pathways for three different directions (axial, coronal, and sagittal) implicitly learn 3D image information without the need for computationally expensive 3D convolutions. Posterior probability maps generated by the network are used iteratively as context information along with the original image patches to learn the local shape and connectedness of the brain, to extract it from non-brain tissue. The brain extraction results we have obtained from our algorithm are superior to the recently reported results in the literature on two publicly available benchmark datasets, namely LPBA40 and OASIS, in which we obtained Dice overlap coefficients of 97.42% and 95.40%, respectively. Furthermore, we evaluated the performance of our algorithm in the challenging problem of extracting arbitrarily-oriented fetal brains in reconstructed fetal brain magnetic resonance imaging (MRI) datasets. In this application our algorithm performed much better than the other methods (Dice coefficient: 95.98%), where the other methods performed poorly due to the non-standard orientation and geometry of the fetal brain in MRI. Our CNN-based method can provide accurate, geometry-independent brain extraction in challenging applications.

연구 동기 및 목표

• 이미지 정렬이나 기하학적 가정에 의존하지 않는 강건하고 기하학적 독립적인, 그리고 등록 불필요한 뇌 추출 방법을 개발하는 것.
• 표준 정렬이 실패하는 경우, 예를 들어 비표준 방향을 가진 태반 뇌에서와 같이 전체 뇌 분할의 정확성과 강건성을 향상시키는 것.
• 기존 도구인 BET, 3dSkullStrip, HWA, ROBEX와 같이 수동 캘리브레이션 또는 반자동 보정이 필요로 하는 문제를 제거하는 것.
• 딥 러닝을 활용하여 국소적 강도 및 형태적 컨텍스트와 같은 내재된 영상 특징을 자동으로 학습하여 보다 향상된 병렬 분류를 달성하는 것.
• 다양한 신경영상 응용 분야, 특히 태반 및 성인 뇌 MRI에 적용 가능한 완전 자동화, 빠르고 정확한 솔루션을 제공하는 것.

제안 방법

• 축, 곡선, 사선 영상 패치를 위한 세 개의 병렬 2D 컨volution 경로를 갖는 병렬 병렬 voxelwise 자동-컨텍스트 CNN을 사용하여 3D 컨텍스트를 3D 컨볼루션 없이 암묵적으로 모델링한다.
• 이전 네트워크 예측에서 유도된 반복적 사후 확률 지ap을 컨텍스트 특징으로 사용하여 분할을 정밀하게 조정함으로써 국소적 형태 및 연결성 학습을 향상시킨다.
• 전체 뇌 분할을 위한 엔드 투 엔드 방식으로 U-Net 완전 컨volution 신경망 기반의 두 번째 아키텍처도 평가하였다.
• 최적화 동안 단조롭게 감소하는 교차 엔트로피 손실 함수를 사용하여 학습을 안정적으로 보장한다.
• 자기-컨텍스트 메커니즘은 주변 병렬의 공간적 컨텍스트와 이전 예측을 통합하여 경계 검출을 향상시키고 잡음 신호를 줄인다.
• 수동으로 설계된 특징 없이, 학습 데이터에서 직접 학습된 표현에 의존하여 T1-가중 MRI 데이터에서 엔드 투 엔드로 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 방법이 MRI에서 이미지 정렬이나 기하학적 가정에 의존하지 않고도 뛰어난 뇌 추출 정확도를 달성할 수 있는가?
• RQ2 3D CNN에 비해 계산 비용을 줄이면서도 다중 방향 2D 패치 처리를 갖는 자기-컨텍스트 CNN이 3D 뇌 구조를 얼마나 잘 모델링할 수 있는가?
• RQ3 표준 도구가 실패하는, 비표준 방향을 가진 태반 뇌와 같은 매우 도전적인 케이스에 대해 제안된 방법이 일반화 가능한가?
• RQ4 반복적 컨텍스트 학습이 단일 단계 네트워크에 비해 분할 정확도 향상에 얼마나 기여하는가?
• RQ5 BET, 3dSkullStrip, HWA, ROBEX와 같은 최고 수준의 도구보다 표준 기준 데이터셋에서 성능이 뛰어나게 되는가?

주요 결과

• Auto-Net은 LPBA40 데이터셋에서 97.73%의 Dice 격리 계수를 기록하여 이전 방법보다 뚜렷이 뛰어난 성능을 보였다.
• OASIS 데이터셋에서는 97.62%의 Dice 점수를 기록하여 다양한 성인 뇌 MRI 스캔에서 높은 정확도와 강건성을 입증하였다.
• 태반 MRI에서는 병렬 병렬 자동-컨텍스트 CNN이 95.97%의 Dice 점수를 기록하여 비표준 방향과 기하학적 특성으로 인해 다른 방법들이 어려움을 겪는 상황에서 뚜렷한 승리를 거두었다.
• 자기-컨텍스트 메커니즘이 기본 네트워크에 비해 뇌의 형태와 연결성을 더 잘 포착함으로써 뚜렷한 성능 향상을 이끌었다.
• 이 방법은 완전 자동화되고 등록 불필요하여 BET 및 ROBEX와 같은 도구에서 흔히 볼 수 있는 수동 매개변수 조정 또는 후처리 보정 단계가 필요로 하지 않는다.
• 교차 엔트로피 손실 함수가 훈련 중에 단조롭게 감소함을 입증하여 안정적이고 신뢰할 수 있는 수렴을 보였다.