[논문 리뷰] Automatic segmentation of the intracranialvolume in fetal MR images

Nadieh Khalili, Pim Moeskops외 8명|arXiv (Cornell University)|2017. 07. 31.

Fetal and Pediatric Neurological Disorders참고 문헌 15인용 수 3

한 줄 요약

이 논문은 태아 MRI에서 자동적인 내두경량부(ICC) 분할을 위한 다중 척도 2차원 합성곱 신경망(CNN)을 제안하며, 임신 주수나 경계 상자 국소화에 대한 사전 지식 없이 축면, 관절면, 경사면에서 높은 Dice 점수(최대 0.95)를 달성한다. 이 방법은 다양한 영상 방향성에 대해 강건한 성능을 보이며, 운동 아티팩트가 존재하는 30개의 태아 T2 가중 영상에서 일관된 정확도로 검증되었다.

ABSTRACT

MR images of the fetus allow non-invasive analysis of the fetal brain. Quantitative analysis of fetal brain development requires automatic brain tissue segmentation that is typically preceded by segmentation of the intracranial volume (ICV). This is challenging because fetal MR images visualize the whole moving fetus and in addition partially visualize the maternal body. This paper presents an automatic method for segmentation of the ICV in fetal MR images. The method employs a multi-scale convolutional neural network in 2D slices to enable learning spatial information from larger context as well as detailed local information. The method is developed and evaluated with 30 fetal T2-weighted MRI scans (average age $33.2\pm1.2$ weeks postmenstrual age). The set contains $10$ scans acquired in axial, $10$ in coronal and $10$ in sagittal imaging planes. A reference standard was defined in all images by manual annotation of the intracranial volume in $10$ equidistantly distributed slices. The automatic analysis was performed by training and testing the network using scans acquired in the representative imaging plane as well as combining the training data from all imaging planes. On average, the automatic method achieved Dice coefficients of 0.90 for the axial images, 0.90 for the coronal images and 0.92 for the sagittal images. Combining the training sets resulted in average Dice coefficients of 0.91 for the axial images, 0.95 for the coronal images, and 0.92 for the sagittal images. The results demonstrate that the evaluated method achieved good performance in extracting ICV in fetal MR scans regardless of the imaging plane.

연구 동기 및 목표

• 태아 뇌 분석의 정량적 전처리 단계로 중요한 내두경량부(ICV) 분할을 위한 자동화된 방법 개발.
• 큰 시야 범위에 전체 움직이는 태아와 모체 조직이 포함되어 뇌 국소화가 어려운 태아 MRI에서 ICV 분할의 과제 해결.
• 임신 주수나 뇌 크기의 사전 지식에 의존하지 않고, 다양한 영상 평면(축면, 관절면, 경사면)에서 다중 척도 CNN의 성능 평가.
• 다양한 영상 방향성에서의 훈련 데이터를 포함할 경우, 방법의 강건성과 일반화 능력 평가.

제안 방법

• 다중 척도 2차원 합성곱 신경망(CNN)을 사용하여 태아 MRI 절편에서 더 넓은 영역의 공간적 맥락과 세부적인 국소적 특징을 학습한다.
• 30개의 T2 가중 태아 MRI 스캔(33.2±1.2주 임신 연령)에서 훈련 및 테스트를 수행하며, 각 영상 평면(축면, 관절면, 경사면)에 대해 10개의 스캔을 할당한다.
• 각 평면 전용 데이터 또는 세 영상 평면의 모든 데이터를 조합한 데이터셋을 사용하여 방향성 간 일반화 능력을 평가한다.
• 평가의 기준이 되는 기준 표준을 정의하기 위해 각 스캔에서 10개의 균일한 간격의 절편에 대해 수동으로 ICV를 표기하였다.
• 전체 부피 태아 MRI 영상에서 뇌 국소화나 경계 상자 자르기 없이 ICV를 직접 분할한다.
• 성능 평가는 Dice 계수, 하우스도르프 거리, 카파 통계량을 사용하며, 결과는 각 영상 평면과 실험 설정 별로 보고된다.

실험 결과

연구 질문

• RQ1 다중 척도 2차원 CNN은 축면, 관절면, 경사면에서 다양한 영상 평면에서 강건하고 정확한 ICV 분할을 달성할 수 있는가?
• RQ2 다양한 영상 평면에서의 훈련 데이터를 조합하면 평면 전용 훈련에 비해 분할 성능이 향상되는가?
• RQ3 운동 아티팩트와 시야 내 부분적인 태아 또는 모체 조직이 존재할 경우, 방법의 성능은 어떻게 되는가?
• RQ4 임신 주수나 기대되는 뇌 크기 등의 사전 지식에 얼마나 의존하는가?

주요 결과

• 평면 전용 데이터로 훈련 및 테스트한 경우, 축면에서 평균 Dice 계수 0.90, 관절면에서 0.90, 경사면에서 0.92를 달성하였다.
• 세 평면의 모든 데이터를 조합한 데이터셋으로 훈련한 경우, 축면에서 0.91, 관절면에서 0.95, 경사면에서 0.92의 Dice 계수를 기록하여 관절면에서 더 높은 일관성을 보였다.
• 방향성에 관계없이 영상 평면에 대한 성능 저하 없이 강건한 성능을 보였다.
• 경사면에서의 운동 아티팩트로 인해 일부 절편에서 분할 성능에 영향을 미쳤지만, 이는 수동 표기 데이터가 없어 정량적 평가에서 제외되었다.
• 이전 방법에 비해 사전 해부학적 지식이나 임신 주수 정보 없이 다양한 영상 방향성에서 Dice 점수의 일관성 면에서 뛰어난 성능을 보였다.
• 결과적으로 다중 척도 CNN은 제한된 훈련 데이터와 변동성이 큰 영상 품질 조건에서도 태아 MRI에서 ICV 분할에 효과적임을 시사한다.