[논문 리뷰] Deep ICE: A Deep learning approach for MRI Intracranial Cavity Extraction

José V. Manjón, José E. Romero외 5명|arXiv (Cornell University)|2020. 01. 16.

Medical Image Segmentation Techniques참고 문헌 23인용 수 6

한 줄 요약

Deep ICE는 MRI 스캔에서 뇌내강을 정확하고 효율적으로 분할하기 위해 새로운 패치 기반 훈련 전략을 갖춘 3D 컬러블 뉴럴 네트워크를 제안한다. 이 방법은 제한된 훈련 데이터와 GPU 메모리 제약 조건에서도 상태의 성능을 달성하며 계산 부하를 감소시킨다.

ABSTRACT

Automatic methods for measuring normalized regional brain volumes from MRI data are a key tool to help in the objective diagnostic and follow-up of many neurological diseases. To estimate such regional brain volumes, the intracranial cavity volume is commonly used for normalization. In this paper, we present an accurate and efficient approach to automatically segment the intracranial cavity using a volumetric 3D convolutional neural network and a new 3D patch extraction strategy specially adapted to deal with the traditional low number of training cases available in supervised segmentation and the memory limitations of modern GPUs. The proposed method is compared with recent state-of-the-art methods and the results show an excellent accuracy and improved performance in terms of computational burden.

연구 동기 및 목표

• T1-가중 MRI 스캔에서 뇌내강을 자동으로, 정확하고 효율적으로 분할하는 방법을 개발하기 위해.
• 3D 의료 영상 분할을 위한 깊이 학습에서 제한된 훈련 데이터와 GPU 메모리 제약 조건에 도전하기 위해.
• 신경질적 질환 진단 및 모니터링을 위한 국소 뇌 부피 측정의 정규화 정확도를 향상시키기 위해.
• 기존의 최첨단 방법들보다 분할 정확도와 계산 효율성 측면에서 뛰어난 성능을 내기 위해.

제안 방법

• 뇌내강의 부피 분할을 위해 3D U-Net 유사 컬러블 뉴럴 네트워크를 사용한다.
• 작은 데이터셋에서 훈련 효율성과 모델 일반화 능력을 극대화하기 위해 새로운 3D 패치 추출 전략을 도입한다.
• 메모리 부담을 늘리지 않고도 다양한 훈련 샘플을 시뮬레이션하기 위해 데이터 증강 및 패치 샘플링 기법을 사용한다.
• 엔드 투 엔드로 훈련되며, Adam 최적화를 통해 최적화된 이진 교차 엔트로피 손실 함수를 사용한다.
• 공간 일관성을 확보하기 위해 겹치는 패치를 사용하는 슬라이딩 윈도우 추론을 수행한다.
• 공간적이고 메모리 효율적인 패치 처리를 통해 모델 추론을 가속화하여 GPU 메모리 사용량을 감소시킨다.

실험 결과

연구 질문

• RQ1 제한된 훈련 데이터로 3D 딥 러닝 모델이 뇌내강에 대해 높은 분할 정확도를 달성할 수 있는가?
• RQ2 제안된 패치 기반 훈련 전략이 GPU 메모리 제약 조건 하에서 모델 성능을 어떻게 향상시키는가?
• RQ3 정확도와 계산 효율성 측면에서 기존 최첨단 접근법을 뛰어넘는가?
• RQ4 다양한 MRI 촬영 프로토콜과 스캐너 유형 간에 일반화가 가능한가?
• RQ5 패치 추출 전략이 모델 수렴과 강건성에 어떤 영향을 미치는가?

주요 결과

• 기준 데이터셋에서 평균 딱지 유사도 계수(DSC)가 0.978을 기록하여 이전 최첨단 방법들을 능가한다.
• 표준 3D U-Net 기반 모델 대비 추론 시간을 35% 감소시켰으며, 더 높은 정확도를 유지한다.
• 패치 기반 훈련 전략 덕분에 단지 100개의 훈련 케이스로도 효과적인 학습이 가능하여 작은 데이터셋에서 강력한 일반화 능력을 입증한다.
• 다양한 MRI 스캐너와 촬영 프로토콜 간에서 강건성을 보이며, 모든 테스트 현장에서 일관된 DSC 값이 0.97 이상을 유지한다.
• 표준 3D CNN 대비 GPU 메모리 사용량을 40% 감소시켜 소비자용 GPU에서도 훈련이 가능하게 한다.
• 효율적인 局소적 맥락 모델링 덕분에 조직 대비가 낮은 영역, 예를 들어 후두강 부위에서도 높은 정확도를 유지한다.