[논문 리뷰] Brain Atlas Guided Attention U-Net for White Matter Hyperintensity Segmentation

Zicong Zhang, Kimerly Powell외 5명|PubMed|2020. 10. 19.

Acute Ischemic Stroke Management참고 문헌 26인용 수 4

한 줄 요약

이 논문은 단지 FLAIR MRI 스캔과 공간적으로 정렬된 백질(WM) 뇌 아틀라스만을 사용하여 최신 기술 수준의 백질 초강화성 병변(WMH) 분할을 달성하는 새로운 딥러닝 모델인 뇌 아틀라스 유도 주의 U-Net(BAGAU-Net)을 제안한다. T1 가중 이미지가 필요로 하지 않으며, 이중 경로 아키텍처와 다중 입력 주의 및 주의 융합 모듈을 통합함으로써 이전 해부학적 지식을 활용하여 두 개의 공개 데이터셋에서 T1에 의존하는 방법과 동등하거나 이를 초월하는 성능을 달성한다.

ABSTRACT

White Matter Hyperintensities (WMH) are the most common manifestation of cerebral small vessel disease (cSVD) on the brain MRI. Accurate WMH segmentation algorithms are important to determine cSVD burden and its clinical con-sequences. Most of existing WMH segmentation algorithms require both fluid attenuated inversion recovery (FLAIR) images and T1-weighted images as inputs. However, T1-weighted images are typically not part of standard clinical scans which are acquired for patients with acute stroke. In this paper, we propose a novel brain atlas guided attention U-Net (BAGAU-Net) that leverages only FLAIR images with a spatially-registered white matter (WM) brain atlas to yield competitive WMH segmentation performance. Specifically, we designed a dual-path segmentation model with two novel connecting mechanisms, namely multi-input attention module (MAM) and attention fusion module (AFM) to fuse the information from two paths for accurate results. Experiments on two publicly available datasets show the effectiveness of the proposed BAGAU-Net. With only FLAIR images and WM brain atlas, BAGAU-Net outperforms the state-of-the-art method with T1-weighted images, paving the way for effective development of WMH segmentation. Availability: https://github.com/Ericzhang1/BAGAU-Net.

연구 동기 및 목표

• 급성 뇌졸중 프rotocol에서 흔히 생략되는 T1 가중 이미지가 필요로 하는 정확한 WMH 분할의 임상적 제약을 해결하기 위해.
• 공개된 백질 뇌 아틀라스를 사전 지식으로 활용하여 T1 스캔 없이도 분할 성능을 향상시키는 딥러닝 모델을 개발하기 위해.
• 특히 T1 시퀀스가 일반적으로 확보되지 않는 시간 민감도가 높은 급성 뇌졸중 환경에서의 실제 임상 제약에 강건한 방법을 만들기 위해.
• 이중 경로 U-Net 아키텍처에서 주의 메커니즘을 통해 해부학적 사전 지식을 통합함으로써 모델의 해석 가능성과 성능을 향상시키기 위해.

제안 방법

• BAGAU-Net은 이중 경로 U-Net 아키텍처를 사용한다: 하나의 경로는 FLAIR 영상을 처리하고, 다른 하나는 공간적으로 정렬된 백질 뇌 아틀라스를 인코딩한다.
• 모델은 인코딩 및 디코딩 단계에서 FLAIR 및 아틀라스 경로의 특징을 동적으로 주의할 수 있도록 다중 입력 주의 모듈(MAM)을 도입한다.
• 최종 예측 단계에서 다중 스케일 특징을 양 경로에서 융합하기 위해 주의 융합 모듈(AFM)을 적용한다. 이는 특징 표현을 향상시킨다.
• 이중 교차 엔트로피와 DSC 손실을 사용하여 엔드 투 엔드로 네트워크를 훈련시켜 분할 성능를 최적화한다.
• 해부학적 일치성을 확보하기 위해 WM 뇌 아틀라스는 비선형 정렬을 통해 FLAIR 공간에 사전 정렬된다.
• 이 방법은 두 데이터셋에서 평가된다: 2017년 MICCAI WMH 챌린지 데이터셋과 ABVIB 데이터셋이며, 표준 평가 지표인 DSC(Dice Similarity Coefficient)를 사용한다.

실험 결과

연구 질문

• RQ1 T1 가중 이미지가 필요 없이 FLAIR 영상과 백질 뇌 아틀라스만을 사용하여 경쟁력 있는 WMH 분할 성능를 달성할 수 있는가?
• RQ2 FLAIR와 아틀라스 특징을 융합하는 주의 기반 융합 메커니즘이 분할 정확도를 향상시키는 데 얼마나 효과적인가?
• RQ3 WM 아틀라스에서의 사전 해부학적 지식을 통합함으로써 T1 가중 이미지에 의존하는 최신 기술 수준의 방법보다 더 높은 성능를 달성할 수 있는가?
• RQ4 MAM 및 AFM 모듈을 갖춘 제안된 이중 경로 아키텍처는 T1 시퀀스가 제한된 임상 환경에서 분할의 강건성과 해석 가능성을 향상시킬 수 있는가?

주요 결과

• BAGAU-Net은 2017년 MICCAI WMH 챌린지 데이터셋에서 DSC 82.02%를 달성하여 T1 가중 이미지를 요구하는 최신 기술 수준의 방법을 능가했다.
• ABVIB 데이터셋에서 BAGAU-Net은 DSC 81.45%를 기록하여 다양한 임상 코hort에서 일관된 성능를 보였다.
• 절단 실험 결과, MAM과 AFM 모두 분할 성능 향상에 기여했으며, 기준 모델(DSC 80.52%) 대비 둘 다 포함된 경우 DSC가 82.02%로 상승했다.
• MICCAI 데이터셋에서 BAGAU-Net은 평균 DSC 82.02%를 기록했으며, 이는 이전 자동 WMH 분할 방법들의 평균 DSC 0.73를 초월했다.
• 시각적 비교 결과, BAGAU-Net의 분할 결과는 FLAIR와 T1 이미지를 모두 사용한 결과와 유사했으며, 최소한의 입력으로도 강력한 일반화 능력을 보였다.
• 모델는 T1 시퀀스의 부재에 대해 강건성을 보였으며, 일반적으로 확보되지 않는 급성 뇌졸중 환경에서의 적용에 적합하다고 확인했다.