[논문 리뷰] Challenging Current Semi-Supervised Anomaly Segmentation Methods for Brain MRI

Felix Meissen, Georgios Kaissis외 1명|arXiv (Cornell University)|2021. 09. 13.

Brain Tumor Detection and Classification참고 문헌 26인용 수 5

한 줄 요약

이 논문은 뇌 MRI에서 최신의 반감독 이상 징후 분할(SAS) 방법의 효과성을 도전하며, 단순한 학습이 없는 기준선으로 FLAIR 영상의 임계값 설정을 제안한다. 이 방법은 표준 데이터셋에서 여러 딥러닝 기반 SAS 모델을 뛰어넘어 종양 및 다발성 경화증 병변 분할에서 뛰어난 DSC 점수와 정밀도-재현율 성능을 달성한다.

ABSTRACT

In this work, we tackle the problem of Semi-Supervised Anomaly Segmentation (SAS) in Magnetic Resonance Images (MRI) of the brain, which is the task of automatically identifying pathologies in brain images. Our work challenges the effectiveness of current Machine Learning (ML) approaches in this application domain by showing that thresholding Fluid-attenuated inversion recovery (FLAIR) MR scans provides better anomaly segmentation maps than several different ML-based anomaly detection models. Specifically, our method achieves better Dice similarity coefficients and Precision-Recall curves than the competitors on various popular evaluation data sets for the segmentation of tumors and multiple sclerosis lesions.

연구 동기 및 목표

• 현재의 반감독 이상 징후 분할(SAS) 방법이 뇌 MRI에서 실제 환경에서 얼마나 효과적인지 평가하기 위해.
• 학습 기반 모델이 단순한 영상 처리 기법을 넘어서 이상 탐지 성능을 향상시키는지 조사하기 위해.
• FLAIR 대조 특성에 대한 사전 지식을 활용해 뇌 MRI에서 SAS에 대한 강력한 학습이 없는 기준선을 수립하기 위해.
• 복잡한 딥러닝 모델이 임상 신경영상에서 정확한 이상 분할을 위해 필수적이라는 가정을 도전하기 위해.
• 현재의 점수 함수와 딥러닝 SAS 접근법에서의 복원 기반 이상 지도의 한계를 부각하기 위해.

제안 방법

• FLAIR MRI 스캔에 직접 강도 임계값 설정을 적용하여 고강도 이상을 식별하는 학습이 없는 기준선을 제안한다.
• 임계값 설정된 FLAIR 영상을 최종 이상 분할 지도로 사용하며, 모델 학습이나 추론이 필요하지 않다.
• 공개된 데이터셋을 사용해 표준 평가 지표(Dice 유사도 계수, AUPRC, AUROC)를 적용하여 딥러닝 기반 SAS 모델과 비교한다.
• 공정한 비교를 위해 이전 연구(예: Baur et al. [4])에서 사용된 동일한 전처리 및 후처리 파이프라인 및 평가 프로토콜을 채택한다.
• 병변 및 종양이 FLAIR 시퀀스에서 고강도로 나타나는 임상적 특성에 기반한다.
• BraTS, MSLUB, WMH 및 MSSEG2015의 네 가지 벤치마크 데이터셋에서 기준선을 검증한다.

실험 결과

연구 질문

• RQ1 FLAIR MRI에 대한 단순한 학습이 없는 임계값 설정 방법이 최신의 딥러닝 기반 반감독 이상 징후 분할 모델을 뛰어넘을 수 있는가?
• RQ2 현재의 딥러닝 기반 SAS 모델이 진정으로 정상 해부학적 구조를 학습하는가, 아니면 이미 입력 영상에 존재하는 강도 신호에 의존하는가?
• RQ3 입력 영상에 강력한 이상 신호가 이미 포함되어 있을 경우, 복원 기반 이상 지도가 실제 분할 품질과 얼마나 잘 상관되는가?
• RQ4 입력 영상가 이미 핵심 진단 정보를 포함하고 있을 경우, 딥러닝 모델에서 잔차 기반 이상 점수의 한계는 무엇인가?
• RQ5 예를 들어, FLAIR에서 병변의 고강도 특성과 같은 사전 임상 지식을 복잡한 모델 기반 접근법보다 더 효과적으로 활용할 수 있는가?

주요 결과

• 제안된 임계값 기준선은 BraTS에서 DSC 0.738을 기록하여 Baur et al. [4]에서 평가한 모든 딥러닝 기반 모델을 뛰어넘었다.
• MSLUB 데이터셋에서 기준선은 DSC 0.613을 기록하여 Baur et al. [4]의 비교 연구에서 가장 우수한 성능을 보인 모델을 초월했다.
• 모든 데이터셋에서 AUPRC 점수가 0.53 이상이었으며, BraTS에서 최고 수준인 0.762를 기록하여 최고의 모델 성능을 초월했다.
• 시각적 분석 결과, 최고 성능을 보인 딥러닝 모델들은 질감이 없는 복원을 생성했으며, 입력 강도 신호에 의존할 뿐 아니라 학습된 해부학적 구조를 반영하지 못했다.
• 연구 결과, 입력 영상과 복원 영상 간 잔차 지도가 원본 임계값 설정 입력보다 분할 품질을 떨어뜨리는 경우가 많다는 점을 발견했다.
• 결과적으로 현재의 딥러닝 기반 SAS 모델들이 정상 해부학적 구조의 강력한 표현을 학습하고 있지는 않으며, 입력 강도 변화에 민감할 수 있음을 시사한다.