[논문 리뷰] Automatic Cerebral Vessel Extraction in TOF-MRA Using Deep Learning

Valentina Vos, Kimberley M. Timmins외 4명|arXiv (Cornell University)|2021. 01. 22.

Advanced MRI Techniques and Applications참고 문헌 15인용 수 7

한 줄 요약

이 연구는 TOF-MRA 영상에서 뇌 혈관을 자동으로 분할하기 위해 증강된 64×64×64 밴드 레이어를 사용해 훈련된 3D U-Net 딥러닝 모델을 제안한다. 데이터 증강 기법으로 가우시안 블러, 회전, 뒤집기 기법을 사용한 결과, 테스트 데이터에서 최대 0.83의 Dice 유사도 계수(DSC)를 달성하여 최적의 성능을 보였다.

ABSTRACT

Deep learning approaches may help radiologists in the early diagnosis and timely treatment of cerebrovascular diseases. Accurate cerebral vessel segmentation of Time-of-Flight Magnetic Resonance Angiographs (TOF-MRAs) is an essential step in this process. This study investigates deep learning approaches for automatic, fast and accurate cerebrovascular segmentation for TOF-MRAs. The performance of several data augmentation and selection methods for training a 2D and 3D U-Net for vessel segmentation was investigated in five experiments: a) without augmentation, b) Gaussian blur, c) rotation and flipping, d) Gaussian blur, rotation and flipping and e) different input patch sizes. All experiments were performed by patch-training both a 2D and 3D U-Net and predicted on a test set of MRAs. Ground truth was manually defined using an interactive threshold and region growing method. The performance was evaluated using the Dice Similarity Coefficient (DSC), Modified Hausdorff Distance and Volumetric Similarity, between the predicted images and the interactively defined ground truth. The segmentation performance of all trained networks on the test set was found to be good, with DSC scores ranging from 0.72 to 0.83. Both the 2D and 3D U-Net had the best segmentation performance with Gaussian blur, rotation and flipping compared to other experiments without augmentation or only one of those augmentation techniques. Additionally, training on larger patches or slices gave optimal segmentation results. In conclusion, vessel segmentation can be optimally performed on TOF-MRAs using a trained 3D U-Net on larger patches, where data augmentation including Gaussian blur, rotation and flipping was performed on the training data.

연구 동기 및 목표

• 시간당 비행 자기공명 angiography(이하 TOF-MRA) 영상에서 뇌 혈관을 자동으로, 빠르고 정확하게 분할하는 방법을 개발하기 위해.
• 2D 및 3D U-Net 아키텍처를 사용하여 다양한 데이터 증강 및 패치 선택 전략이 분할 성능에 미치는 영향을 평가하기 위해.
• TOF-MRA에서 혈관 분할에 최적의 네트워크 아키텍처(2D 대비 3D)와 훈련 설정을 규명하기 위해.
• 수동 분할에 의존도를 줄이고, 견고한 딥러닝 기반 분할 파이프라인을 구축하기 위해.
• 뇌혈관 질환의 조기 진단을 위한 신속하고 재현 가능한 3차원 혈관 모델링을 가능하게 하여 임상 워크플로우를 향상시키기 위해.

제안 방법

• TOF-MRA 영상에서 무작위로 선택된 증강된 영상 패치를 기반으로 2D 및 3D 완전 컨volution 신경망 U-Net 아키텍처를 훈련시켰다.
• 패치 크기는 2D의 경우 64×64 밴드, 3D의 경우 16×16×16 밴드로 설정하였으며, 혈관 영역(80%)과 비혈관 영역(20%)을 균형 있게 샘플링하였다.
• 일반화성과 내성 향상을 위해 가우시안 블러, 회전, 뒤집기 등의 데이터 증강 기법을 적용하였다.
• 이미지 품질 향상과 일관성 향상을 위해 사전 처리 단계로 N4 편향 필드 보정 및 Z-스코어 정규화를 수행하였다.
• MevisLab를 사용하여 상호작용 기반 임계치 설정과 영역 확장 방법을 통해 진정값을 생성하였으며, 강도 임계치는 최대 강도의 95%에서 99% 사이로 설정하였다.
• 보류된 테스트 세트를 사용하여 DSC, 수정된 하우스도르프 거리(MHD), 부피 유사도를 기반으로 모델 성능을 평가하였다.

Figure 1 : Example slice in the transverse plane of a TOF-MRA.

실험 결과

연구 질문

• RQ1 가우시안 블러, 회전, 뒤집기 등의 데이터 증강 기법이 TOF-MRA 혈관 분할에서 2D 및 3D U-Net 모델의 성능에 어떤 영향을 미치는가?
• RQ2 분할 정확도와 일반화 능력 측면에서 2D 및 3D U-Net 모델 훈련에 최적의 패치 크기는 무엇인가?
• RQ3 2D 및 3D U-Net 아키텍처는 TOF-MRA에서 뇌 혈관 분할 성능에서 어떻게 비교되는가?
• RQ4 딥러닝 기반 접근법이 수동 분할 수준의 높은 분할 정확도를 달성하면서도 내·외부 평가자 간 변동성을 줄일 수 있는가?
• RQ5 예를 들어 64×64×64 밴드와 같은 더 큰 패치로 훈련할 경우, 더 작은 패치보다 분할 성능 향상이 이루어지는가?

주요 결과

• 가우시안 블러, 회전, 뒤집기 증강 기법을 적용한 64×64×64 밴드 패치로 훈련된 3D U-Net 모델이 최고의 DSC(0.83)를 기록하였다.
• 가우시안 블러, 회전, 뒤집기 세 가지 증강 기법을 모두 조합한 경우, 단일 또는 증강 없이 훈련한 경우보다 뛰어난 분할 성능을 보였다.
• 더 큰 패치 크기(64×64×64 밴드)는 더 작은 패치보다 더 나은 분할 결과를 가져왔으며, 이는 작은 혈관의 문맥적 표현 향상 때문일 가능성이 높다.
• 2D 및 3D U-Net 모델 모두 양호한 성능을 보였으며, 모든 실험에서 DSC 점수는 0.72에서 0.83 사이로 변동하였다.
• 수정된 하우스도르프 거리(MHD)는 상대적으로 높았으며, 이는 상호작용 기반 진정값 생성 방법의 한계로 인해 작은 또는 분할된 혈관을 정확히 포착하지 못한 데 기인할 가능성이 있다.
• 모델은 이미지당 몇 초 내외의 추론 시간을 기록하여, 빠른 혈관 분할을 위한 임상적 타당성을 입증하였다.

Figure 2 : Boxplots of the vessel segmentation results obtained by training a 2D U-Net. The evaluation was performed by five experiments: A) without augmentation; B) augmented training data with Gaussian blurring; C) augmented training data with rotation and flipping; D) augmented training data with