[논문 리뷰] Deep Learning for Medical Image Segmentation

Matthew Lai|arXiv (Cornell University)|2015. 05. 08.

Advanced Neural Network Applications참고 문헌 26인용 수 96

한 줄 요약

이 논문은 ADNI 데이터셋을 사용하여 MRI 스캔에서 3D 해마 세그먼테이션을 위한 2D, 삼면, 3D 컨volution 신경망 아키텍처를 평가한다. 삼면 접근 방식이 정확도와 학습 효율성 사이의 최적의 트레이드오프를 제공하며, 표준 2D 패치보다 우수하고, 높은 계산 비용에도 불구하고 3D 네트워크에 근접하지만 이를 초월하지는 못한다. 전체 영상 레이블링에서는 성능이 열 劣하다.

ABSTRACT

This report provides an overview of the current state of the art deep learning architectures and optimisation techniques, and uses the ADNI hippocampus MRI dataset as an example to compare the effectiveness and efficiency of different convolutional architectures on the task of patch-based 3-dimensional hippocampal segmentation, which is important in the diagnosis of Alzheimer's Disease. We found that a slightly unconventional "stacked 2D" approach provides much better classification performance than simple 2D patches without requiring significantly more computational power. We also examined the popular "tri-planar" approach used in some recently published studies, and found that it provides much better results than the 2D approaches, but also with a moderate increase in computational power requirement. Finally, we evaluated a full 3D convolutional architecture, and found that it provides marginally better results than the tri-planar approach, but at the cost of a very significant increase in computational power requirement.

연구 동기 및 목표

• 3D 해마 세그먼테이션 MRI 스캔에서 스택드 2D, 삼면, 3D 컨볼루션 네트워크 아키텍처의 성능과 효율성을 비교하기 위해.
• 이러한 아키텍처 간 분류 정확도, 학습 속도, 계산 비용 사이의 트레이드오프를 평가하기 위해.
• 3D 네트워크가 계산 요구 사항이 더 높음에도 불구하고, 2D 또는 삼면 방법보다 전체 영상 세그먼테이션 성능이 더 우수한지 조사하기 위해.
• 데이터 샘플링 및 클래스 불균형이 다양한 아키텍처 간 모델 일반화 및 전체 MRI 볼륨에 걸친 레이블 일관성에 미치는 영향을 탐구하기 위해.

제안 방법

• 연구는 ADNI 해마 MRI 데이터셋을 사용하고, 2D, 삼면, 3D 컨볼루션 아키텍처를 사용하여 패치 기반 학습을 적용한다.
• 스택드 2D 접근 방식의 경우, axial, coronal, sagittal 평면의 여러 2D 슬라이스를 독립적으로 처리하고 최종 분류 이전에 연결한다.
• 삼면 방법은 세 개의 수직 2D 슬라이스를 동시에 입력 채널로 처리하여 평면 간 공간적 맥락을 유지한다.
• 3D 접근 방식은 부피 패치와 전체 3D 컨볼루션을 사용하여 세 가지 차원에서 공간적 관계를 포착한다.
• 모든 모델은 배치 정규화와 ReLU 활성화 함수를 사용한 확률적 경사 하강법로 학습되며, 딱지 점수와 잘못된 양성/음성 픽셀 수로 평가된다.
• 세그먼테이션 출력을 정밀하게 다듬기 위해 후처리가 적용되었고, 모델 일관성을 평가하기 위해 다수의 무작위 초기화가 사용되었다.

실험 결과

연구 질문

• RQ1 삼면 컨볼루션 아키텍처가 해마 세그먼테이션에 있어 표준 2D 패치 기반 네트워크보다 정확도-계산 비용 트레이드오프가 더 우수한가?
• RQ2 전체 영상 레이블링 정확도 측면에서, 전체 3D 컨볼루션 네트워크의 성능은 2D 및 삼면 방법과 비교해 어떻게 되는가?
• RQ3 3D 네트워크가 패치 수준에서 성능이 뛰어나지만, 왜 삼면 접근 방식에 비해 전체 영상 세그먼테이션에서 성능이 열 劣하는가?
• RQ4 샘플링된 패치에서의 클래스 분포 불균형이 다양한 아키텍처 간 세그먼테이션 결과의 일관성과 신뢰성에 얼마나 큰 영향을 미치는가?

주요 결과

• 삼면 접근 방식은 성능과 학습 효율성 사이의 최적 균형을 달성했으며, 테스트 오차는 8.64%이고, 분류 속도는 분당 약 221개의 반복을 기록했다.
• 2D 스택드 패치 방법은 학습 속도가 가장 빠르며(분당 약 754회 반복), 하지만 테스트 오차가 가장 높아(9.11%) 정확도가 낮았다.
• 3D 네트워크는 패치 수준 오차가 가장 낮게(6.95%) 기록했지만, 전체 영상 레이블링 성능이 일관되지 않아 삼면 방법보다 더 높은 잘못된 양성 및 음성 픽셀 수를 보였다.
• 패치 분류 성능은 뛰어나지만, 전체 영상 세그먼테이션에서는 성능이 열 劣했으며, 이는 패치 샘플링 편향으로 인한 클래스 분포 이동 때문일 가능성이 높다.
• 동일한 아키텍처의 여러 실행에서 검증 및 테스트 성능은 일관되었지만, 영상 수준의 레이블링은 상당한 차이를 보였으며, 이는 샘플링된 패치의 클래스 불균형에 민감한 것으로 나타났다.
• 3D 네트워크는 삼면(187.57분)과 2D(42.06분)에 비해 훨씬 더 많은 학습 시간(최대 301.54분)이 소요되었으며, 이는 높은 계산 비용을 의미한다.