[논문 리뷰] BrainSegNet : A Segmentation Network for Human Brain Fiber Tractography Data into Anatomically Meaningful Clusters

Tushar Gupta, Shreyas Malakarjun Patil외 3명|arXiv (Cornell University)|2017. 10. 14.

Advanced Neuroimaging Techniques and Applications참고 문헌 4인용 수 8

한 줄 요약

BrainSegNet는 인간 뇌 섬유 추적 데이터를 해부학적으로 의미 있는 군집으로 자동으로 분할하는 스택형 양방향 LSTM 기반 딥러닝 모델로, 매크로(백질 대 회색질) 및 마이크로(여덟 개의 백질 섬유군) 수준에서 분류한다. 세 명의 환자에서 250,000개가 넘는 섬유를 기반으로 훈련된 이 모델은 마이크로 수준 분류에서 95%를 초월하는 최고 성능을 기록했으며, 백질 섬유의 재현율은 94.98%에 달한다. 이는 도전적인 환자 간 테스트 환경에서도 성능을 유지를 한다.

ABSTRACT

The segregation of brain fiber tractography data into distinct and anatomically meaningful clusters can help to comprehend the complex brain structure and early investigation and management of various neural disorders. We propose a novel stacked bidirectional long short-term memory(LSTM) based segmentation network, (BrainSegNet) for human brain fiber tractography data classification. We perform a two-level hierarchical classification a) White vs Grey matter (Macro) and b) White matter clusters (Micro). BrainSegNet is trained over three brain tractography data having over 250,000 fibers each. Our experimental evaluation shows that our model achieves state-of-the-art results. We have performed inter as well as intra class testing over three patient's brain tractography data and achieved a high classification accuracy for both macro and micro levels both under intra as well as inter brain testing scenario.

연구 동기 및 목표

• 수작업으로 시간이 많이 소요되는 라벨링에 의존하지 않도록 인간 뇌 섬유 추적 데이터를 해부학적으로 의미 있는 군집으로 자동 분할하는 것을 목적으로 한다.
• 개개인의 해부학적 변이와 데이터 불균형으로 인해 백질 섬유군으로 나누는 데 도전적인 문제를 해결하기 위한 것이다.
• 다양한 뇌 구조로 일반화할 수 있는 강력한 딥러닝 프레임워크를 개발하여 매크로 및 마이크로 수준 분류에서 모두 높은 정확도를 유지하는 것을 목표로 한다.
• 신경외과 수술 계획 및 신경퇴행성 질환 연구에서의 임상적 유용성을 향상시키기 위해 신뢰할 수 있고 재현 가능한 섬유군 분류를 가능하게 한다.

제안 방법

• 각 섬유의 순차적 3차원 점 궤적을 모델링하기 위해 스택형 양방향 장기 기억망(LSTM)을 사용하여, 섬유의 길이를 따라 공간적 및 방향성 패턴을 포착한다.
• 계층적인 이중 수준 분류를 적용: 먼저 매크로 수준에서 백질 대 회색질을 구분하고, 그 다음 마이크로 수준에서 여덟 개의 해부학적으로 정의된 백질 섬유군으로 분류한다.
• 특징 표현을 향상시키고 섬유 경로 간의 구분을 향상시키기 위해 곡률이 가장 높은 점들의 고정 비율을 추출한다.
• 각 환자별 DTI 데이터셋(250,000개 이상의 섬유 포함)을 사용하여 세 명의 환자에서 훈련하며, 환자 내, 환자 간, 통합된 훈련/테스트 전략을 조합한다.
• 정확도와 재현율을 평가 지표로 사용하며, 특히 소수 클래스(백질 섬유)의 재현율을 강조하여 클래스 불균형 문제를 해결한다.
• 훈련 및 테스트 동안 세 환자 전반에 걸쳐 균형 잡힌 표현을 확보하기 위해 데이터 셔플링과 전략적 샘플링을 적용한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 다양한 환자 뇌에서 해부학적으로 의미 있는 군집으로 뇌 섬유 추적 데이터를 높은 정확도로 분류할 수 있는가?
• RQ2 해부학적 변이와 뇌 간 구조적 차이로 인해 도전적인 상황이 되는 환자 간 테스트에서 모델의 성능은 어떠한가?
• RQ3 이전 방법에 비해 스택형 양방향 LSTM의 사용이 희귀하거나 수량이 적은 섬유군에 대해 분류 성능을 얼마나 향상시키는가?
• RQ4 종단간 단일 수준 분류 대비 계층적 매크로-마이크로 분류 접근 방식이 모델의 일반화 능력과 해부학적 해석 가능성에 어떤 영향을 미치는가?
• RQ5 데이터셋 내 심각한 클래스 불균형에도 불구하고 백질 섬유에 대해 높은 재현율을 유지할 수 있는가?

주요 결과

• 동일 환자 데이터에서 훈련 및 테스트한 경우, BrainSegNet은 매크로 수준 분류 정확도 98.88%와 마이크로 수준 정확도 98.12%를 달성했다.
• 환자 간 테스트 상황—B2 환자에서 훈련하고 B1 및 B3 환자에서 테스트—에서 모델은 마이크로 수준 정확도가 각각 93.30% 및 94.47%를 유지하여 강력한 일반화 능력을 입증했다.
• 환자 내 테스트에서 백질 섬유의 재현율은 94.98%를 기록했으며, Patel 등(2016)의 이전 최고 성능 모델(82.1% 재현율)을 크게 뛰어넘었다.
• 통합된 훈련 및 테스트 전략에서 모델은 마이크로 수준 정확도 96.65%와 백질 섬유 재현율 83.46%를 달성하여 다양한 뇌 해부학에서의 높은 강건성을 입증했다.
• 모든 테스트 전략에서 성능이 안정되었으며, 가장 도전적인 환자 간 상황에서도 마이크로 수준 정확도는 항상 93% 이상, 재현율은 80% 이상 유지되었다.
• 결과적으로 BrainSegNet은 데이터 불균형 및 환자 간 조건에서 기존 방법을 뛰어넘는 정확도와 재현율을 기록하며, 새로운 최고 성능 기준을 설정했다.