[논문 리뷰] Automatic Brain Tumor Detection and Segmentation Using U-Net Based Fully Convolutional Networks

Hao Dong, Guang Yang외 3명|arXiv (Cornell University)|2017. 05. 10.

Brain Tumor Detection and Classification참고 문헌 20인용 수 4

한 줄 요약

이 논문은 다중 모odal MRI 스캔에서 완전 자동 뇌 종양 세그멘테이션을 위한 U-Net 기반의 완전 컨volution 신경망을 제안한다. BRATS 2015 데이터셋을 사용하여 2D U-Net 아키텍처와 데이터 증강을 통해 훈련된 이 방법은 높은 세그멘테이션 정확도를 달성한다—고급 뇌종양(HGG) 사례에서 전체 종양의 DSC는 0.85, 핵심 종양의 DSC는 0.67이며, 각 케이스를 2~3초 내로 처리하여 이전 방법들보다 효율성과 강건성 면에서 뛰어나다.

ABSTRACT

A major challenge in brain tumor treatment planning and quantitative evaluation is determination of the tumor extent. The noninvasive magnetic resonance imaging (MRI) technique has emerged as a front-line diagnostic tool for brain tumors without ionizing radiation. Manual segmentation of brain tumor extent from 3D MRI volumes is a very time-consuming task and the performance is highly relied on operator's experience. In this context, a reliable fully automatic segmentation method for the brain tumor segmentation is necessary for an efficient measurement of the tumor extent. In this study, we propose a fully automatic method for brain tumor segmentation, which is developed using U-Net based deep convolutional networks. Our method was evaluated on Multimodal Brain Tumor Image Segmentation (BRATS 2015) datasets, which contain 220 high-grade brain tumor and 54 low-grade tumor cases. Cross-validation has shown that our method can obtain promising segmentation efficiently.

연구 동기 및 목표

• 수동 세그멘테이션의 한계를 극복하기 위해 3D MRI 스캔에서 뇌 종양 세그멘테이션을 위한 완전 자동화, 객관적이고 재현 가능한 방법을 개발하기 위해.
• 다양한 모odal MRI 시퀀스 간 종양 크기, 형태, 위치, 외관의 높은 변동성 문제를 해결하기 위해.
• 특히 핵심 및 전체 종양 영역에 대해 고급 뇌종양(HGG)과 저급 뇌종양(LGG) 모두의 세그멘테이션 효율성과 정확도를 향상시키기 위해.
• 치료 계획, 모니터링 및 진단에 실용적으로 적용 가능한 신뢰성 있고 확장 가능한 종양 세그멘테이션을 가능하게 하기 위해.

제안 방법

• 3D MRI 볼륨의 축방향 슬라이스를 처리하기 위해 인코더-디코더 구조를 가진 2D U-Net 아키텍처를 활용하여 효율적인 훈련과 추론를 가능하게 한다.
• T1, T1c, T2 및 FLAIR MRI 시퀀스를 조합한 다중 채널 입력을 사용하여 상보적인 조직 대비 정보를 활용한다.
• 회전, 뒤집기, 스케일링 및 탄성 왜곡을 포함한 광범위한 데이터 증강을 적용하여 일반화 능력을 향상시키고 과적합을 줄인다.
• 이진 교차 엔트로피 손실와 시그모이드 활성화 함수를 사용하여 토털로 엔드 투 엔드로 훈련하여 픽셀 수준의 종양 확률 맵을 예측한다.
• 대규모 볼륨을 처리하기 위해 슬라이딩 윈도우 추론을 사용하여 전체 공간적 맥락을 유지하면서 GPU 메모리 제약을 고려한다.
• 연결 요소 분석 및 형태학적 연산을 통해 후처리를 적용하여 세그멘테이션 마스크를 정밀하게 조정한다.

실험 결과

연구 질문

• RQ1 U-Net 기반의 완전 컨volution 네트워크는 다양한 종양 유형과 영상 대비에서 강건하고 정확한 뇌 종양 세그멘테이션을 달성할 수 있는가?
• RQ2 BRATS 2015 벤치마크에서 제안된 방법은 상태 기반 기술 대비 세그멘테이션 정확도와 추론 속도 측면에서 어떻게 비교되는가?
• RQ3 제한된 의료 영상 데이터셋에서 일반화 능력과 성능 향상에 있어 데이터 증강이 어느 정도 기여하는가?
• RQ4 저급 뇌종양에서 대조 강화가 뚜렷하지 않은 경우에도 모델이 강화 및 비강화 종양 영역을 효과적으로 세그멘테이션할 수 있는가?

주요 결과

• BRATS 2015 테스트 세트에서 고급 뇌종양(HGG) 사례에서 전체 종양의 DSC는 0.85, 핵심 종양의 DSC는 0.67를 달성했다.
• 저급 뇌종양(LGG) 사례에서는 전체 종양의 DSC가 0.72, 핵심 종양의 DSC가 0.58에 도달하여 도전적인 경계 조건에서도 뛰어난 성능을 보였다.
• 모델은 각 3D MRI 케이스를 2~3초 내로 처리하여 이전 방법들이 케이스당 25초에서 8분이 걸리는 것과 비교해 뚜렷한 효율성 향상을 보였다.
• 교차 검증 결과, 모든 폴드에서 일관된 성능을 보였으며, BRATS 2015 랭킹에서 최신 기술 대비 경쟁력 있는 결과를 달성했다.
• 특히 HGG 사례에서 핵심 종양 세그멘테이션 성능이 여러 이전 접근법보다 뛰어나 상위 성능를 보였다.
• LGG에서 강화 종양 세그멘테이션의 한계가 있었지만, 저급 뇌종양 데이터와 함께 함께 훈련하면 성능 향상이 가능할 것이라고 저자들이 제안했다.