[논문 리뷰] Deep BV: A Fully Automated System for Brain Ventricle Localization and Segmentation in 3D Ultrasound Images of Embryonic Mice

Ziming Qiu, Jack Langerman외 6명|arXiv (Cornell University)|2018. 11. 05.

Fetal and Pediatric Neurological Disorders참고 문헌 22인용 수 3

한 줄 요약

이 논문은 배아 쥐의 3D 고주파 초음파(HFU) 영상에서 뇌 뇌실(BV)을 자동으로 국소화하고 분할하는 완전 자동화된 딥 러닝 시스템인 Deep BV를 제안한다. 이 시스템은 두 단계의 접근 방식을 사용한다: 먼저 3D 컨volution 신경망(3D-CNN)이 슬라이딩 윈도우 추론을 통해 부피 전체에서 BV를 국소화하고, 그 다음로 완전 컨volution 신경망(FCN)이 정밀한 분할을 수행한다. 이로써 미리 보지 않은 테스트 세트에서 DSC(Dice Similarity Coefficient) 0.8956을 달성하였으며, 이는 이전 최고 성능 방법보다 25% 높은 성능이다.

ABSTRACT

Volumetric analysis of brain ventricle (BV) structure is a key tool in the study of central nervous system development in embryonic mice. High-frequency ultrasound (HFU) is the only non-invasive, real-time modality available for rapid volumetric imaging of embryos in utero. However, manual segmentation of the BV from HFU volumes is tedious, time-consuming, and requires specialized expertise. In this paper, we propose a novel deep learning based BV segmentation system for whole-body HFU images of mouse embryos. Our fully automated system consists of two modules: localization and segmentation. It first applies a volumetric convolutional neural network on a 3D sliding window over the entire volume to identify a 3D bounding box containing the entire BV. It then employs a fully convolutional network to segment the detected bounding box into BV and background. The system achieves a Dice Similarity Coefficient (DSC) of 0.8956 for BV segmentation on an unseen 111 HFU volume test set surpassing the previous state-of-the-art method (DSC of 0.7119) by a margin of 25%.

연구 동기 및 목표

• 배아 쥐의 3D 고주파 초음파(HFU) 영상에서 뇌실을 수작업으로, 시간이 많이 들고 전문 지식이 필요한 방식으로 분할하는 데 도전하는 것.
• 모든 인간 간섭 없이 자궁 내 배아 영상에서 BV의 국소화와 분할을 완전 자동화된 시스템을 개발하는 것.
• 3D HFU 부피의 맥락에서 기존 최고 성능 방법을 뛰어넘는 분할 정확도를 향상시키는 것.
• 임상 이전 신경발달 연구에서 뇌실 발달의 고속, 재현 가능한 부피 분석을 가능하게 하는 것.

제안 방법

• 전체 3D HFU 부피를 슬라이딩 윈도우로 스캔하면서 3D 컨volution 신경망(3D-CNN)을 적용하여 뇌실을 둘러싸는 3D 경계 상자(Bounding Box)를 탐지한다.
• 탐지된 경계 상자는 잘라내어 배경에서 BV를 픽셀 단위로 분할하기 위해 완전 컨volution 신경망(FCN)에 입력한다.
• 시스템은 분할 정확도를 최적화하기 위해 손실 함수를 사용하여 배아 쥐의 애초 3D HFU 부피를 애너테이션 처리한 데이터로 엔드 투 엔드로 훈련된다.
• 두 단계의 파ip라인은 국소화된 관심 영역에만 고해상도 분할을 제한함으로써 계산 효율성을 확보한다.
• 3D 컨볼루션을 통해 공간적 맥락과 계층적 특징 학습을 활용하여 저대비 초음파 데이터에서 복잡한 해부학적 구조를 포착한다.
• 아키텍처는 고주파 초음파 영상에서 흔히 나타나는 강도 변화와 노이즈에 강건하도록 설계되어 있다.

실험 결과

연구 질문

• RQ1 완전 자동화된 딥 러닝 시스템이 배아 쥐의 3D 고주파 초음파 영상에서 정확한 뇌실 국소화 및 분할을 달성할 수 있는가?
• RQ2 제안된 두 단계의 3D-CNN과 FCN 파이프라인의 성능은 기존 최고 성능 방법과 비교해 어떻게 되는가?
• RQ3 伝통적인 분할 접근 방식에 비해 이 시스템은 평가자 간 변동성과 수작업 노력의 정도를 얼마나 줄이는가?
• RQ4 미세조정 없이도 이 시스템은 미리 보지 않은 3D HFU 부피에 일반화될 수 있는가?
• RQ5 3D 국소화에 슬라이딩 윈도우 접근 방식을 사용할 경우, 분할 정확도와 계산 효율성에 어떤 영향을 미치는가?

주요 결과

• 제안된 Deep BV 시스템은 111개의 3D HFU 부피로 구성된 미리 보지 않은 테스트 세트에서 DSC(Dice Similarity Coefficient) 0.8956을 달성하였으며, 이는 이전 최고 성능 방법의 DSC 0.7119보다 뚜렷이 높은 성능이다.
• DSC 향상은 분할 정확도가 25% 상승한 것으로, 두 단계의 3D-CNN과 FCN 아키텍처의 효과성을 입증한다.
• 이 시스템은 수작업 간섭 없이 모든 111개의 테스트 부피에서 뇌실을 성공적으로 국소화하고 분할하여 그 강건성과 자동화 능력을 확인한다.
• 국소화에 3D 슬라이딩 윈도우를 사용함으로써 고해상도 분할을 관련 관심 영역에 집중시켜 계산 오버헤드를 감소시켰다.
• 이 방법은 미리 보지 않은 데이터에 대해 강력한 일반화 능력을 보였으며, 대규모 발달 신경영상 연구에의 응용 가능성을 시사한다.
• 결과는 저대비, 노이즈가 많은 3D 초음파 데이터가 배아 영상에서 야기하는 과제를 극복하는 데에 딥 러닝의 유용성을 입증한다.