[논문 리뷰] Brain Tumor Segmentation with Special Emphasis on the Non-Enhancing Brain Tumor Compartment

T. Schaffer, A. Brawanski외 3명|arXiv (Cornell University)|2026. 02. 25.

Brain Tumor Detection and Classification인용 수 0

한 줄 요약

논문은 뇌종양 분할을 위한 Upscaling PAU-Net를 도입하며, 비강화 종양 NET 구획을 명시적으로 포함하고, BraTS 2018/2021에서 Dice 점수 경쟁력을 보이고 네 가지 라벨(ET, ED, NCR, NET) 및 later four-label with NET 확장을 가능하게 한다.

ABSTRACT

A U-Net based deep learning architecture is designed to segment brain tumors as they appear on various MRI modalities. Special emphasis is lent to the non-enhancing tumor compartment. The latter has not been considered anymore in recent brain tumor segmentation challenges like the MICCAI challenges. However, it is considered to be indicative of the survival time of the patient as well as of areas of further tumor growth. Hence it deems essential to have means to automatically delineate its extension within the tumor.

연구 동기 및 목표

• 모든 네 가지 종양 구획의 정확한 분할을 위한 동기 부여, 특히 비강화 NET 구역에 대한 강조.
• 고해상도 업스케일링 U-네트( PAU-Net) 변형을 개발하여 NET 경계를 개선.
• 성능과 과적합 사이의 균형을 위해 잔여 필터 블록 아키텍처와 업스케일링 디코더를 다양한 방식으로 평가.
• BraTS 데이터셋에서 학습된 NET 예측 모델과 형태학적 필터링을 활용해 NET 구획 추출.
• 통합된 4-라벨 BraTS 데이터셋(NCR, ED, NET, ET)을 만들고 BraTS 챌린지 전반의 분할 성능을 평가합니다.

제안 방법

• 4개의 해상도 수준을 갖는 3D U-Net 유사 인코더-디코더 아키텍처를 채택한다.
• 네 가지 기본 잔여 필터 블록 변형(원래, ResNet 유사, 사전 활성화, 사전 활성화와 이후 활성화 차이)을 실험한다.
• 고해상도 디코더 분기도 추가하여 해상도를 두 배로 증가시키는 업스케일링 PAU-Net을 개발한다.
• 정답 NET 마스크를 업스케일링하고 소프트 Dice 손실로 학습하며 Dice-Sørensen, IoU, Hausdorff Distance로 평가한다.
• BraTS 2018에서 NET 추출을 위해 BraTS 2021에서 학습된 PAU-Net으로 NCR/NET를 분해하고 모폴로지 필터링으로 마스크를 정제한다.
• 통합된 BraTS 2018/2021 데이터셋을 4-라벨(NCR, ED, NET, ET) 체계로 확장하고 Cropped 입력(4 × 96 × 192 × 160)으로 4-라벨 PAU-Net을 학습시킨다.

Figure 1: Different types of residual filter blocks. Each type can be used in the above U-Net architecture

실험 결과

연구 질문

• RQ1 고해상도 PAU-Net이 뇌 MRI의 NET 구획을 효과적으로 분할할 수 있는가?
• RQ2 잔여 필터 블록 변형과 업스케일링 디코더가 ET, TC, WT, NET 구획의 분할 성능을 표준 U-Net 대조군보다 향상시키는가?
• RQ3 NET 라벨이 명시되지 않은 BraTS 데이터셋에서 NET 예측 모델과 형태학적 필터링을 사용해 NET 마스크를 도출하는 것이 실현 가능한가?
• RQ4 통일된 4-라벨 BraTS 데이터셋에서 BraTS 2018 vs 2021의 Dice 점수 비교는 어떤가?
• RQ5 4-레벨(PAU-Net) vs 5-레벨(PAU-Net) 구조가 테스트 데이터에 일반화되면서 학습 성능은 어떤 차이가 나는가?

주요 결과

모델	데이터셋	ET Dice	TC Dice	WT Dice	평균 Dice
5-level PAU-Net	BraTS 2018 train	0.7162	0.8803	0.9117	0.8361
4-level PAU-Net	BraTS 2018 train	0.7179	0.8646	0.9010	0.8278
5-level PAU-Net	BraTS 2018 test	0.7842	0.8125	0.8913	0.8293
4-level PAU-Net	BraTS 2018 test	0.7802	0.8230	0.8912	0.8315
5-level PAU-Net	BraTS 2021 train	0.8524	0.9140	0.9282	0.8982
4-level PAU-Net	BraTS 2021 train	0.8566	0.9121	0.9232	0.8973
5-level PAU-Net	BraTS 2021 test	0.8357	0.8798	0.9157	0.8771
4-level PAU-Net	BraTS 2021 test	0.8464	0.8841	0.9186	0.8830

• 4-레벨 업스케일링 PAU-Net은 일반적으로 BraTS 2021 테스트 데이터에서 5-레벨 변형보다 우수한 성능을 보였고 BraTS 2018 테스트 데이터에서도 경쟁력 있는 결과를 보였다.
• BraTS 2018 학습/테스트에서 ET: 0.7179/0.7802, TC: 0.8646/0.8230, WT: 0.9010/0.8912(4-레벨 모델이 종종 5-레벨보다 비슷하거나 우수).
• BraTS 2021 학습/테스트에서 ET: 0.8566/0.8464, TC: 0.9121/0.8841, WT: 0.9232/0.9186(테스트에서 4-레벨 모델이 종종 약간 더 우수).
• 데이터셋 전반에서 평균 Dice는 테스트 시나리오에서 4-레벨 PAU-Net를 선호합니다(예: BraTS 2021 테스트 평균: 0.8830(4-레벨) vs 0.8771(5-레벨)).
• BraTS 2018에서 NET 추출은 BraTS 2021 학습 NET 예측기로 NCR 마스크를 분해하고 모폴로지 필터링으로 결과를 정제해 달성되었습니다.
• 통합된 4-라벨 BraTS 2018/2021 데이터셋(NCR, ED, NET, ET)을 생성하여 cropped 입력 크기에서 4-라벨 PAU-Net을 학습시키고 구획별 Dice 점수를 달성했습니다.

Figure 2: Two variants of the new up-scaling PAU-Net.