[논문 리뷰] Automatic Brain Tumour Segmentation and Biophysics-Guided Survival Prediction

Shuo Wang, Chengliang Dai외 4명|arXiv (Cornell University)|2019. 11. 19.

Radiomics and Machine Learning in Medical Imaging참고 문헌 17인용 수 6

한 줄 요약

이 논문은 다중 매개변수 MRI를 대상으로 3D U-Net과 주의 메커니즘을 활용한 딥러닝 프레임워크를 제안하며, 종양 침습성 특징을 확산 방정식에서 유도한 생물물리학에 기반한 예후 모델을 이어가고 있다. 이 방법은 MICCAI 2019 BraTS 생존 예측 도전 대회에서 테스트 정확도 0.56로 2위를 기록했으며, 생물학적으로 해석 가능한 특징을 활용함으로써 데이터 기반 영상학적 특징 추출 기법보다 뛰어난 성능을 보였다.

ABSTRACT

Gliomas are the most common malignant brain tumourswith intrinsic heterogeneity. Accurate segmentation of gliomas and theirsub-regions on multi-parametric magnetic resonance images (mpMRI)is of great clinical importance, which defines tumour size, shape andappearance and provides abundant information for preoperative diag-nosis, treatment planning and survival prediction. Recent developmentson deep learning have significantly improved the performance of auto-mated medical image segmentation. In this paper, we compare severalstate-of-the-art convolutional neural network models for brain tumourimage segmentation. Based on the ensembled segmentation, we presenta biophysics-guided prognostic model for patient overall survival predic-tion which outperforms a data-driven radiomics approach. Our methodwon the second place of the MICCAI 2019 BraTS Challenge for theoverall survival prediction.

연구 동기 및 목표

• 다중 매개변수 MRI에서 뇌종양 하위 영역(NCR, NET, ET, ED)의 자동 세그멘테이션 성능 향상을 위한 딥러닝 기반 접근 개선.
• 영상 특징과 생물물리 원리를 융합한 강건한 생존 예측 모델 개발.
• 데이터 기반 영상학적 특징 추출 기법의 한계, 즉 낮은 재현성과 해석 불가능성 문제 해결.
• 특징 공학 단계에 종양 성장 역학을 통합함으로써 예후 정확도 향상.
• BraTS 2019 데이터셋을 대상으로 모델 검증 및 최신 기법들과의 비교 평가.

제안 방법

• BraTS 2019 데이터셋을 사용하여 T1, T1Gd, T2, T2-FLAIR 시퀀스를 대상으로 3D U-Net과 주의 게이트가 내장된 3D U-Net(UNet-AT)을 훈련하여 종양 하위 영역 세그멘테이션 수행.
• 일반화 성능 향상을 위해 z-스코어 정규화와 데이터 증강(회전, 반전, 스케일링) 적용.
• 편향 감소 및 세그멘테이션의 강건성 향상을 위해 다수의 모델을 활용한 앙상블 학습 적용.
• 확산 방정식에 기반한 종양 성장 모델에서 유도된 종양 부피, 경계 길이, 영상학적 침습성 계수(RIC) 등의 종양 특징 정의.
• 나이와 RIC을 예측 변수로 사용하여 선형 회귀를 활용한 생물물리학에 기반한 예후 모델 구축.
• 교차 검증 및 독립 테스트 세트를 활용한 특징 선택 및 모델 평가 수행.

실험 결과

연구 질문

• RQ1 주의 메커니즘과 최적화된 손실 함수는 다중 매개변수 MRI에서 3D 뇌종양 세그멘테이션 성능 향상에 기여하는가?
• RQ2 생물물리학에 기반한 특징(RIC)은 종양 침습성 특징이 데이터 기반 영상학적 특징보다 뇌종양 환자 생존 예측에서 더 우수한 성능을 보이는가?
• RQ3 해석 가능한 생리학 기반 모델은 순수하게 데이터 기반 접근보다 더 우수한 일반화 성능을 달성할 수 있는가?
• RQ4 종양 경계 역학(침습성)을 포함함으로써 생존 예측 정확도는 어떻게 변화하는가?
• RQ5 앙상블 모델링 및 후처리 기법의 영향은 세그멘테이션 성능 및 후속 예측 성능에 어떤 영향을 미치는가?

주요 결과

• 3D U-Net과 UNet-AT 모델의 앙상블은 우수한 세그멘테이션 성능를 달성했지만, BraTS 2019 테스트 세트에서는 상위 3개 내외에 못 미쳤다.
• 생물물리학에 기반한 침습성 모델은 테스트 세트 정확도 0.56을 기록하며 MICCAI 2019 BraTS 생존 예측 도전 대회에서 2위를 차지했다.
• 독립 검증 세트에서 침습성 모델은 기준 모델(정확도 0.45)과 데이터 기반 영상학적 특징 모델(정확도 0.48)을 모두 압도적으로 앞섰다.
• 확산 방정식에서 유도된 RIC 특징은 161개의 영상학적 특징보다 더 예측 능력이 뛰어나 생물물리학적 사전 지식의 가치를 입증했다.
• 영상학적 특징 모델은 일반화 능력이 열악하여 RIC 기반 모델 대비 더 높은 MSE 및 mSE를 보이며 과적합 위험이 있음을 시사했다.
• 잔차 분포가 비대칭적이었으며, 단기 및 장기 생존 환자에서 오차가 더 크게 나타나 향후 작업에서 가중 손실 함수 또는 데이터 변환 기법이 필요할 것으로 보였다.