[논문 리뷰] Brain Tissue Segmentation Across the Human Lifespan via Supervised Contrastive Learning

Xiaoyang Chen, Jinjian Wu외 7명|arXiv (Cornell University)|2023. 01. 03.

Medical Image Segmentation Techniques인용 수 4

한 줄 요약

이 논문은 뇌 조직 분할을 인간의 전체 수명 주기(0–100세)에 걸쳐 통합된 딥 러닝 프레임워크를 제안한다. 감독형 대비 학습을 통해 강력하고 구분력 있는 특징 표현을 학습한다. 이 방법은 2,464장의 MR 영상으로 구성된 대규모 데이터셋에서 기존 방법보다 뛰어난 성능을 달성하며, 연령에 따른 광범위한 해부학적 및 강도 변화에도 불구하고 회백질, 회색질, 뇌척수액을 효과적으로 분할한다.

ABSTRACT

Automatic segmentation of brain MR images into white matter (WM), gray matter (GM), and cerebrospinal fluid (CSF) is critical for tissue volumetric analysis and cortical surface reconstruction. Due to dramatic structural and appearance changes associated with developmental and aging processes, existing brain tissue segmentation methods are only viable for specific age groups. Consequently, methods developed for one age group may fail for another. In this paper, we make the first attempt to segment brain tissues across the entire human lifespan (0-100 years of age) using a unified deep learning model. To overcome the challenges related to structural variability underpinned by biological processes, intensity inhomogeneity, motion artifacts, scanner-induced differences, and acquisition protocols, we propose to use contrastive learning to improve the quality of feature representations in a latent space for effective lifespan tissue segmentation. We compared our approach with commonly used segmentation methods on a large-scale dataset of 2,464 MR images. Experimental results show that our model accurately segments brain tissues across the lifespan and outperforms existing methods.

연구 동기 및 목표

• 영유아에서 노인에 이르기까지 인간 수명 주기 전반에 걸쳐 정확한 뇌 조직 분할이 가능한 단일 딥 러닝 모델을 개발하는 것.
• 자궁 내 발달 및 노화 과정으로 인한 구조적 및 대trast 변화 문제를 해결하는 것.
• 강도 비균일성, 운동 아티팩트, 스캐너 차이, 다양한 촬영 프로토콜에 대한 강건성을 향상시키는 것.
• 기존 방법들이 특정 연령군(예: 성인 또는 영아)에 특화되어 있으며 광범위하게 적용할 경우 실패하는 한계를 극복하는 것.
• 감독형 대비 학습이 수명 주기 전체 분할을 위한 구분 가능한 특징 표현을 학습하는 데 효과적인지 입증하는 것.

제안 방법

• 바vox 단위 분할을 위한 특징 추출기와 분류 헤드를 갖춘 딥 인코더-디코더 네트워크를 사용한다.
• 각 조직 종류별 프로토타입 특징의 메모리 백을 활용해 특징의 구분력을 향상시키기 위해 감독형 대비 학습을 적용한다.
• 특징 표현 간 코사인 유사도와 클래스별 프oxy를 활용해 동일 클래스의 특징은 가깝게, 다른 클래스는 멀리 떨어지게 한다.
• 교차 엔트로피 손실과 대비 손실을 조합하여 최적화하며, 하이퍼파ram터 λ_ctr로 가중치를 조절한다.
• 쌍방향 비교의 계산 비용을 줄이기 위해 크기가 M인 메모리 백을 사용한다.
• 대비 목적 함수에서 유사도 분포의 날카움을 제어하기 위해 온도 스케일링 τ를 사용한다.

실험 결과

연구 질문

• RQ1 0~100세까지 인간 수명 주기 전반에 걸쳐 정확한 뇌 조직 분할을 달성할 수 있는 단일 딥 러닝 모델이 존재하는가?
• RQ2 감독형 대비 학습은 뇌 MR 영상에서 연령에 따른 해부학적 및 강도 변화에 강건한 특징 표현을 향상시키는 데 얼마나 효과적인가?
• RQ3 다양한 촬영 프로토콜, 스캐너, 영상 품질 조건 간에 모델의 일반화 능력은 어느 정도인가?
• RQ4 T1- 및 T2-가중 영상 모두를 사용하는 것과 단일 모odal 입력을 비교했을 때 분할 성능는 어떻게 다른가?
• RQ5 최적의 분할 정확도와 안정성을 얻기 위한 하이퍼파ram터 설정(M, τ, λ_ctr)은 무엇인가?

주요 결과

• 시험 세트에서 제안된 방법은 회백질에 대해 94.2±1.1%, 회색질에 대해 95.7±1.0%, 뇌척수액에 대해 88.5±3.8%의 Dice 유사도 계수(DSC)를 달성하여 기존 방법을 능가했다.
• 조직 종류별 병렬 샘플링을 통해 소수 종류의 조직, 특히 뇌척수액의 DSC가 향상되었으며, 비균형 상태일 경우 83.0±6.2%에서 균형 잡힌 상태일 경우 88.5±3.8%로 상승했다.
• 단일 T1- 또는 T2-가중 영상만을 사용했을 때 성능 저하가 미미했으며(DSC 감소 0.4–1.9%), 제한된 입력에서도 강력한 일반화 능력을 보였다.
• 더 큰 메모리 백 크기(M=10)와 더 작은 온도(τ=0.1) 설정이 더 나은 분할 결과를 가져왔으며, 이는 대비 학습 이론과 일치했다.
• 모델는 뇌 조직 부피의 비선형 성장 궤적을 성공적으로 포착했다: 회백질과 회색질은 증가했다가 감소했고, 뇌척수액 부피는 수명 주기 전반에 걸쳐 단조롭게 증가했다.
• 고품질의 흰질 및 피아르 표면 재구성이 이루어졌으며, 명확한皮질 굴곡과 시상이 확인되어 세밀한 분할 정확도를 입증했다.