[논문 리뷰] Combating Uncertainty with Novel Losses for Automatic Left Atrium Segmentation

Xin Yang, Na Wang외 5명|arXiv (Cornell University)|2018. 12. 14.

Cardiac Valve Diseases and Treatments참고 문헌 14인용 수 9

한 줄 요약

이 논문은 가돌리늄 강화 MRI 영상에서 자동으로 심방과 폐정맥을 분할하기 위해 복합 손실 함수를 갖춘 3D 완전 컨volution 네트워크를 제안한다. 경계의 모호함과 전경 분류 민감도 문제를 해결하기 위해 오버랩 손실과 새로운 포칼 포지티브 손실을 통합하고, 딥 서포비전과 순환적 개선을 통해 성능을 햖थ, 20개 테스트 영상에서 평균 DICE 스코어 92.24%를 달성하였다.

ABSTRACT

Segmenting left atrium in MR volume holds great potentials in promoting the treatment of atrial fibrillation. However, the varying anatomies, artifacts and low contrasts among tissues hinder the advance of both manual and automated solutions. In this paper, we propose a fully-automated framework to segment left atrium in gadolinium-enhanced MR volumes. The region of left atrium is firstly automatically localized by a detection module. Our framework then originates with a customized 3D deep neural network to fully explore the spatial dependency in the region for segmentation. To alleviate the risk of low training efficiency and potential overfitting, we enhance our deep network with the transfer learning and deep supervision strategy. Main contribution of our network design lies in the composite loss function to combat the boundary ambiguity and hard examples. We firstly adopt the Overlap loss to encourage network reduce the overlap between the foreground and background and thus sharpen the predictions on boundary. We then propose a novel Focal Positive loss to guide the learning of voxel-specific threshold and emphasize the foreground to improve classification sensitivity. Further improvement is obtained with an recursive training scheme. With ablation studies, all the introduced modules prove to be effective. The proposed framework achieves an average Dice of 92.24 in segmenting left atrium with pulmonary veins on 20 testing volumes.

연구 동기 및 목표

• GE-MR 영상에서 높은 해부학적 변동성, 낮은 조직 대비 및 경계의 모호함으로 인한 심방과 폐정맥 분할 과제를 해결하기 위해.
• 변동하는 가돌리늄 투여 용량으로 인한 영상 아티팩트 및 불균일한 강화 상황에서도 분할 정확도를 향상시키기 위해.
• 수동으로 윤곽을 그리는 데 의존도를 줄이고 재현 가능성을 향상시키기 위한 완전 자동화 프레임워크를 개발하기 위해.
• 복합 손실 함수가 심장 MRI 분할에서 경계 정밀도와 전경 민감도 향상에 얼마나 효과적인지 조사하기 위해.

제안 방법

• 2D 슬라이스에서 빠른 R-CNN 기반의 탐지 모듈이 심방 영역을 중심으로 관심 영역(ROI)을 국소화하고, 이를 3D 경계 상자로 통합하여 배경 노이즈를 감소시킨다.
• 국소화된 ROI 내에서 3D 공간적 종속성을 활용하기 위해 맞춤형 3D U-Net 아키텍처를 사용하며, 전이 학습과 딥 서포비전을 통해 과적합을 완화하고 학습 효율성을 향상시킨다.
• 복합 손실 함수는 전경과 배경 확률 맵 간의 교차를 최소화함으로써 경계 예측을 날카롭게 하기 위해 오버랩 손실을 포함한다.
• 새로운 포칼 포지티브 손실은 병렬 볼륨 특성에 맞는 임계값을 학습하고 전경 구조의 분류 민감도를 향상시킨다.
• 순환적 개선 계획(RRS)은 강도 영상과 확률 맵을 반복적으로 사용하여 예측을 점진적으로 개선함으로써 분할 정확도를 향상시킨다.
• 전체 볼륨 추론을 위해 슬라이딩 윈도우 추론과 오버랩 타일링 스티칭, 후처리(작은 고립된 성분 제거)를 적용한다.

실험 결과

연구 질문

• RQ1 오버랩 손실과 포칼 포지티브 손실을 병합한 복합 손실 함수가 심방 분할에서 경계의 모호함을 효과적으로 줄일 수 있는가?
• RQ2 딥 서포비전과 전이 학습의 통합이 데이터가 적은 환경에서 학습 안정성과 일반화 능력을 향상시키는가?
• RQ3 복잡한 심장 구조에서 순환적 개선이 분할 정확도를 얼마나 향상시키는가?
• RQ4 제안된 포칼 포지티브 손실이 기존 손실 함수에 비해 작은 크기이거나 저대비의 심방 및 폐정맥 구조에 대해 민감도를 향상시키는가?
• RQ5 프레임워크의 개별 구성 요소(손실 함수, RRS, 서포비전)가 최종 분할 성능에 기여하는 정도는 어떠한가?

주요 결과

• 제안된 방법은 20개의 독립적 테스트 영상에서 평균 DICE 스코어 92.24%를 달성하였으며, 기준 절댓값 손실(82.015%)보다 유의미하게 높았다.
• 오버랩 손실의 추가로 기준 대비 약 2.8%p 향상되어 경계의 날카움이 향상됨을 시사하였다.
• 포칼 포지티브 손실은 오버랩 손실 기준 기준 대비 약 2%p 향상되어 전경 민감도 향상 효과를 입증하였다.
• 두 단계의 순환적 개선(RRS2)은 단일 단계 개선 대비 약 1%p 향상되었으며, 두 단계 이상에서는 수익 감소 현상이 나타났다.
• 확률 맵의 시각화 결과 복합 손실이 더 깔끔하고 흐릿하지 않으며 정밀한 전경 예측을 가능하게 하였다.
• 이 방법은 하우스도르프 거리 18.293 mm와 평균 경계 거리 1.490 mm를 기록하여 지표와의 높은 공간 정확도와 일관성을 보였다.