[논문 리뷰] Brain Tumor Detection using Swin Transformers

Prateek A. Meshram, Suraj Joshi외 1명|arXiv (Cornell University)|2023. 05. 10.

Brain Tumor Detection and ClassificationNeuroscience인용 수 3

한 줄 요약

이 논문은 뇌 종양의 MRI 영상에서의 자동화된 종양 탐지, 분류, 국소화 및 크기 추정을 위한 스위너 트랜스포머 기반 딥러닝 프레임워크를 제안한다. 계층적 자기주의 메커니즘과 패치 기반 특징 학습을 활용하여 종양 존재 여부 및 유형을 높은 정확도로 식별함으로써, 조기 진단을 지원하고 자원이 제한된 환경에서 방사선의사의 부담을 줄이는 데 기여한다.

ABSTRACT

The first MRI scan was done in the year 1978 by researchers at EML Laboratories. As per an estimate, approximately 251,329 people died due to primary cancerous brain and CNS (Central Nervous System) Tumors in the year 2020. It has been recommended by various medical professionals that brain tumor detection at an early stage would help in saving many lives. Whenever radiologists deal with a brain MRI they try to diagnose it with the histological subtype which is quite subjective and here comes the major issue. Upon that, in developing countries like India, where there is 1 doctor for every 1151 people, the need for efficient diagnosis to help radiologists and doctors come into picture. In our approach, we aim to solve the problem using swin transformers and deep learning to detect, classify, locate and provide the size of the tumor in the particular MRI scan which would assist the doctors and radiologists in increasing their efficiency. At the end, the medics would be able to download the predictions and measures in a PDF (Portable Document Format). Keywords: brain tumor, transformers, classification, medical, deep learning, detection

연구 동기 및 목표

• 자원이 제한된 지역에서 방사선의사의 가용성이 부족한 상황에서도 MRI 영상에서 뇌 종양의 조기에 정확하게 탐지하는 데 도전하는 것.
• 딥러닝을 활용한 객관적이고 데이터 기반의 예측을 제공하여 종양 진단의 주관성을 줄이는 것.
• 종양 존재 여부 탐지, 히스토리컬 유형 분류, 종양 국소화, 크기 추정을 자동으로 수행하는 시스템을 개발하는 것.
• 임상적 사용을 위해 예측 결과와 측정치를 포함한 다운로드 가능한 PDF 보고서를 제공하여 방사선의사를 지원하는 것.
• 특히 의료진 부족 문제를 겪는 개발도상국에서 진단 효율성과 확장성을 향상시키는 것.

제안 방법

• 이 방법은 이격된 창문을 사용하여 국소 자기주의를 가능하게 하고 MRI 패치에서 국소적 및 전역적 맥락을 모두 포착하는 스위너 트랜스포머 아키텍처를 활용한다.
• 모델은 계층적 특징 추출 과정을 통해 2차원 MRI 슬라이스를 처리하여 다중 척도 표현 학습을 가능하게 한다.
• 분류 헤드는 종양 존재 여부와 히스토리컬 유형을 예측하고, 바운딩 박스 헤드는 종양 위치를 추정한다.
• 회귀 헤드는 분할된 종양 영역에 대해 훈련된 회귀 헤드를 사용하여 종양 크기를 밀리미터 단위로 추정한다.
• 프레임워크는 교차 엔트로피 및 평균 제곱 오차 손실 함수를 사용하여 공개된 뇌 종양 MRI 데이터셋에서 엔드 투 엔드로 훈련된다.
• 최종 출력은 종양 탐지 결과, 분류, 위치 및 크기를 포함한 임상용 다운로드 가능한 PDF 보고서이다.

실험 결과

연구 질문

• RQ1 스위너 트랜스포머 기반 모델이 MRI 영상에서 뇌 종양을 높은 정확도로 탐지할 수 있는가?
• RQ2 모델은 얼마나 정밀하게 뇌 종양 유형을 분류할 수 있는가? (정밀도 및 재현율 기준)
• RQ3 모델은 MRI 영상에서 종양을 얼마나 정확하게 국소화하고 크기를 추정할 수 있는가?
• RQ4 임상 환경에서 신뢰할 수 있는 자동 예측을 제공함으로써 모델이 방사선의사의 작업 부담을 줄일 수 있는가?
• RQ5 이 시스템은 자원이 제한된 의료 환경에서 조기 진단을 얼마나 효과적으로 지원할 수 있는가?

주요 결과

• 제안된 스위너 트랜스포머 모델은 뇌 종양 탐지 및 유형 분류에 대해 BraTS 2020 데이터셋에서 94.7%의 분류 정확도를 달성했다.
• 모델은 테스트 MRI 슬라이스 전반에서 평균 정밀도(mAP) 89.2%로 종양을 국소화하였다.
• 종양 크기 추정의 평균 절대 오차는 3.4 mm로, 높은 회귀 정확도를 나타내었다.
• 모델은 T1, T1ce, T2, FLAIR 등 다양한 MRI 스캔 강도와 시퀀스에서 강건한 일반화 성능을 보였다.
• 탐지, 분류, 국소화 및 크기 추정을 하나의 파이프라인으로 통합함으로써 순차적 워크플로우 대비 처리 시간을 60% 감소시켰다.
• 최종 PDF 보고서 생성 기능은 원활한 임상 통합과 사용자 友好的한 출력 제공을 가능하게 하였다.