[논문 리뷰] Automatic acute ischemic stroke lesion segmentation using semi-supervised learning

Bin Zhao, Shuxue Ding외 5명|arXiv (Cornell University)|2019. 08. 10.

Acute Ischemic Stroke Management참고 문헌 42인용 수 6

한 줄 요약

이 논문은 확산 강도 MRI에서 급성 뇌경색 병변 분할을 위한 준감독 딥러닝 프레임워크를 제안한다. 이는 약한 감독을 받는 이중 경로 분류 네트워크, DWI에 대한 K-Means 클러스터링, 그리고 영역 성장 기법을 조합하여 단지 15명의 완전히 레이블링된 환자로도 높은 정확도를 달성한다. 이 방법은 임상 테스트 세트에서 평균 DICE 계수 0.642와 병변 수준 F1 스코어 0.822를 기록하여 고비용 전문가 레이블링에 대한 의존도를 크게 감소시켰다.

ABSTRACT

Ischemic stroke is a common disease in the elderly population, which can cause long-term disability and even death. However, the time window for treatment of ischemic stroke in its acute stage is very short. To fast localize and quantitively evaluate the acute ischemic stroke (AIS) lesions, many deep-learning-based lesion segmentation methods have been proposed in the literature, where a deep convolutional neural network (CNN) was trained on hundreds of fully labeled subjects with accurate annotations of AIS lesions. Despite that high segmentation accuracy can be achieved, the accurate labels should be annotated by experienced clinicians, and it is therefore very time-consuming to obtain a large number of fully labeled subjects. In this paper, we propose a semi-supervised method to automatically segment AIS lesions in diffusion weighted images and apparent diffusion coefficient maps. By using a large number of weakly labeled subjects and a small number of fully labeled subjects, our proposed method is able to accurately detect and segment the AIS lesions. In particular, our proposed method consists of three parts: 1) a double-path classification net (DPC-Net) trained in a weakly-supervised way is used to detect the suspicious regions of AIS lesions; 2) a pixel-level K-Means clustering algorithm is used to identify the hyperintensive regions on the DWIs; and 3) a region-growing algorithm combines the outputs of the DPC-Net and the K-Means to obtain the final precise lesion segmentation. In our experiment, we use 460 weakly labeled subjects and 15 fully labeled subjects to train and fine-tune the proposed method. By evaluating on a clinical dataset with 150 fully labeled subjects, our proposed method achieves a mean dice coefficient of 0.642, and a lesion-wise F1 score of 0.822.

연구 동기 및 목표

• 급성 뇌경색 병변 분할에 있어 고비용이고 시간이 오래 소요되는 전문가 레이블링에 대한 의존도를 줄이기 위해.
• 제한된 완전히 레이블링된 데이터를 활용하여 확산 강도 영상에서 분할 정확도를 향상시키기 위해.
• 급성 뇌경색 환경에서 임상적 도입을 위해 내구성 있고 자동화된 방법을 개발하기 위해.
• 약한 감독 기반 탐지 기반 클러스터링 및 영역 성장 기법을 통합하여 정밀한 병변 경계 설정을 위해.

제안 방법

• 약한 감독 방식으로 훈련된 이중 경로 분류 네트워크(DPC-Net)가 확산 강도 영상에서 의심스러운 AIS 병변 영역을 탐지한다.
• 픽셀 수준의 K-Means 클러스터링 알고리즘이 표준 확산 계수(ADC) 지도에서 고강도 영역을 식별한다.
• DPC-Net과 K-Means의 출력 결과가 영역 성장 알고리즘을 통해 융합되어 병변 경계를 정밀하게 개선한다.
• 모델는 460명의 약한 레이블링된 환자와 15명의 완전히 레이블링된 환자를 사용하여 훈련 및 미세조정한다.
• 이 방법은 영상 강도 패tern과 공간적 맥락을 모두 활용하여 분할의 강건성을 향상시킨다.
• 준감독 학습 기반으로 완전히 레이블링된 데이터가 극히 적은 상황에서도 높은 성능을 달성할 수 있다.

실험 결과

연구 질문

• RQ1 최소한의 완전히 레이블링된 데이터로 준감독 딥러닝 접근법이 높은 정확도의 AIS 병변 분할을 달성할 수 있는가?
• RQ2 약한 감독 기반 분류와 클러스터링, 영역 성장 기법을 조합하여 병변 분할에 얼마나 효과적인가?
• RQ3 단지 15명의 완전히 레이블링된 환자로만 훈련할 경우 제안된 방법이 높은 성능을 유지할 수 있는가?
• RQ4 DPC-Net과 K-Means의 통합은 단일 모odal 접근법에 비해 병변 탐지 성능을 어떻게 향상시키는가?
• RQ5 완전히 레이블링된 병변을 가진 임상 테스트 세트에서 이 방법의 성능은 어떠한가?

주요 결과

• 제안된 방법은 150명의 완전히 레이블링된 환자로 구성된 테스트 세트에서 평균 DICE 계수 0.642를 기록했다.
• 병변 수준 F1 스코어는 0.822에 도달하여 병변 수준 탐지에서 뛰어난 성능을 보였다.
• 완전히 레이블링된 환자가 단지 15명인 상황에서도 강건성을 입증하여 레이블링 부담을 크게 감소시켰다.
• DPC-Net, K-Means, 및 영역 성장 기법의 통합은 기준 모델 대비 병변 정위 및 경계 정확도에서 뛰어난 성능을 보였다.
• 준감독 학습 프레임워크는 460명의 약한 레이블링된 환자를 효과적으로 활용하여 모델의 일반화 능력을 향상시켰다.
• 결과적으로 최소한의 전문가 레이블링 데이터로도 높은 정확도의 뇌경색 병변 분할이 가능하다는 것이 확인되었다.