[논문 리뷰] Brain Tumor Segmentation Using Deep Learning by Type Specific Sorting of Images

Zahra Sobhaninia, Safiyeh Rezaei외 6명|arXiv (Cornell University)|2018. 09. 20.

Brain Tumor Detection and Classification참고 문헌 4인용 수 72

한 줄 요약

본 논문은 딥러닝을 이용한 뇌종양 분할을 연구하고 단일 네트워크 접근 방식과 다중 네트워크의 유형별 이미지 정렬 전략을 비교하여 다중 네트워크에서 Dice 점수가 더 높게 나타난다.

ABSTRACT

Recently deep learning has been playing a major role in the field of computer vision. One of its applications is the reduction of human judgment in the diagnosis of diseases. Especially, brain tumor diagnosis requires high accuracy, where minute errors in judgment may lead to disaster. For this reason, brain tumor segmentation is an important challenge for medical purposes. Currently several methods exist for tumor segmentation but they all lack high accuracy. Here we present a solution for brain tumor segmenting by using deep learning. In this work, we studied different angles of brain MR images and applied different networks for segmentation. The effect of using separate networks for segmentation of MR images is evaluated by comparing the results with a single network. Experimental evaluations of the networks show that Dice score of 0.73 is achieved for a single network and 0.79 in obtained for multiple networks.

연구 동기 및 목표

• 중요한 진단 오류로 인해 뇌종양의 정확한 분할의 필요성을 동기화한다.
• 영상 유형별 정렬이 분할 성능에 미치는 영향을 평가한다.
• MR 영상 분할에 대해 단일 네트워크 접근 방식과 다중 네트워크 접근 방식을 비교한다.

제안 방법

• 뇌 MR 영상에 딥러닝을 적용하여 종양 분할을 수행한다.
• MR 영상의 서로 다른 각도/뷰를 실험한다.
• 분할용으로 별도의 네트워크를 사용하고 하나의 통합 네트워크를 사용하는 것을 비교한다.
• 주된 평가지표로 Dice 점수를 사용하여 분할 성능을 평가한다.

실험 결과

연구 질문

• RQ1 서로 다른 이미지 유형에 대해 별도의 네트워크를 사용하는 것이 단일 네트워크보다 분할 정확도를 향상시키는가?
• RQ2 단일 네트워크와 비교할 때 다중 네트워크 유형별 정렬이 얻는 Dice 점수 향상은 얼마인가?
• RQ3 분할 성능에 가장 크게 기여하는 이미지 방향/각도는 무엇인가?
• RQ4 이 설정에서 모델 복잡도와 분할 정확도 사이에 트레이드오프가 존재하는가?

주요 결과

• 단일 네트워크 Dice 점수: 0.73.
• 유형별 정렬을 가진 다중 네트워크: Dice 점수 0.79.
• 유형별 정렬과 다중 네트워크 구성이 단일 네트워크보다 향상된 분할 성능을 제공합니다.