[논문 리뷰] Automatic Post-Stroke Lesion Segmentation on MR Images using 3D Residual Convolutional Neural Network

Naofumi Tomita, Steven Jiang외 2명|arXiv (Cornell University)|2019. 11. 25.

Acute Ischemic Stroke Management참고 문헌 26인용 수 6

한 줄 요약

이 연구는 T1-강조 MRI 스캔에서 만성 뇌졸중 병변의 자동 분할을 위한 새로운 줌인&줌아웃 전략을 갖춘 3D 잔차 U-Net 아키텍처를 제안한다. 239개의 공개 스캔으로 훈련된 모델은 평균 DSC(Dice similarity coefficient) 0.64(95% CI: 0.51–0.76)를 달성하여, 잔차 학습을 활용한 깊이 있는 3D 컨볼루션 네트워크를 사용한 벤치마크 데이터셋에서 최신 기술 수준의 성능을 보였다.

ABSTRACT

In this paper, we demonstrate the feasibility and performance of deep residual neural networks for volumetric segmentation of irreversibly damaged brain tissue lesions on T1-weighted MRI scans for chronic stroke patients. A total of 239 T1-weighted MRI scans of chronic ischemic stroke patients from a public dataset were retrospectively analyzed by 3D deep convolutional segmentation models with residual learning, using a novel zoom-in&out strategy. Dice similarity coefficient (DSC), Average symmetric surface distance (ASSD), and Hausdorff distance (HD) of the identified lesions were measured by using the manual tracing of lesions as the reference standard. Bootstrapping was employed for all metrics to estimate 95% confidence intervals. The models were assessed on the test set of 31 scans. The average DSC was 0.64 (0.51-0.76) with a median of 0.78. ASSD and HD were 3.6 mm (1.7-6.2 mm) and 20.4 mm (10.0-33.3 mm), respectively. To the best of our knowledge, this performance is the highest achieved on this public dataset. The latest deep learning architecture and techniques were applied for 3D segmentation on MRI scans and demonstrated to be effective for volumetric segmentation of chronic ischemic stroke lesions.

연구 동기 및 목표

• 만성 뇌졸중 뇌 병변의 정량적 분할을 정확하게 수행할 수 있는 자동화된 딥 러닝 기반 방법을 개발하는 것.
• 수동 병변 분할에서 발생하는 고도의 내·외부 평가자 간 변동성을 줄이기 위해 깊이 있는 3D 컨볼루션 네트워크를 활용하는 것.
• 잔차 학습과 새로운 공간 줌인&줌아웃 전략을 통해 국소적 특징 추출을 향상시켜 병변 분할 정확도를 향상시키는 것.
• 표준 평가 지표인 DSC, ASSD, Hausdorff 거리 등을 사용하여 공개 데이터셋에서 성능을 평가하는 것.

제안 방법

• 3D U-Net 아키텍처에 잔차 블록을 적용하여 체적 MRI 데이터에서 깊은 네트워크 훈련과 특징 학습을 가능하게 하였다.
• 병변 영역에 집중하고 국소 해상도를 향상시켜 정밀한 위치 추적을 향상시키기 위해 새로운 줌인&줌아웃 전략을 적용하였다.
• 기울기 소실 문제를 완화하고 더 깊은 네트워크 훈련을 가능하게 하기 위해 잔차 연결을 통합하였다.
• 스티ochastic gradient descent를 사용하여 교차 엔트로피 손실과 데이터 증강을 적용해 엔드 투 엔드로 모델을 훈련시켰다.
• 테스트 세트 31개 스캔에서 추론를 수행하였으며, 예측 결과를 수동 분할 결과(참값)와 비교하였다.
• 모든 평가 지표에 대한 95% 신뢰구간을 계산하기 위해 부트스트래핑을 사용하였다.

실험 결과

연구 질문

• RQ1 3D 잔차 컨volution 신경망은 T1-강조 MRI 스캔에서 만성 뇌졸중 병변의 강건하고 정확한 분할을 달성할 수 있는가?
• RQ2 제안된 줌인&줌아웃 전략은 기존의 3D U-Net 접근 방식에 비해 병변 정위 및 분할 성능을 향상시키는가?
• RQ3 표준 지표인 DSC, ASSD, HD를 사용하여 공개된 만성 뇌졸중 MRI 데이터셋에서 모델의 성능은 어떠한가?
• RQ4 병변 분할 정확도 측면에서 이전의 최신 기술 수준의 방법들과 비교해 볼 때 모델의 성능은 어떠한가?

주요 결과

• 제안된 모델은 31개 스캔으로 구성된 테스트 세트에서 평균 DSC(Dice similarity coefficient) 0.64(95% CI: 0.51–0.76)를 달성하였다.
• 중위 DSC는 0.78이었으며, 명확한 병변을 가진 일부 케이스에서 뛰어난 성능을 보였다.
• 대칭 표면 거리(ASSD) 평균은 3.6 mm(95% CI: 1.7–6.2 mm)였으며, 수동 추적선과 양호한 표면 수준 일치를 반영하였다.
• Hausdorff 거리(HD)는 20.4 mm(95% CI: 10.0–33.3 mm)였으며, 병변 경계 예측에서 일부 이상치가 있음을 시사하였다.
• 저자들의 지식에 비추어 볼 때, 이 모델의 성능는 이 공개 데이터셋에 대해 지금까지 보고된 바 중 가장 높은 수준이다.
• 잔차 학습과 줌인&줌아웃 전략의 통합은 분할 정확도와 강인성을 크게 향상시켰다.