[논문 리뷰] Deep learning in magnetic resonance prostate segmentation: A review and a new perspective

David Gillespie, Connah Kendrick외 4명|arXiv (Cornell University)|2020. 11. 16.

Prostate Cancer Diagnosis and Treatment참고 문헌 62인용 수 10

한 줄 요약

이 논문은 MRI 기반 전립선 세분화를 위한 최신 딥러닝 기법을 검토하고, 최적화된 2D U-Net 아키텍처를 제안하며, 사례별로 네 개의 공개 데이터셋을 사용하여 Dice 유사도 계수(DSC)를 기반으로 평가한다. 모델은 복합 평가에서 DSC 0.9427을 기록하고, 데이터셋 간 테스트에서는 DSC 0.5892를 기록하여 일반화의 과제를 드러내며, 복잡한 임상 적용과 재현 가능성을 향상시키기 위해 표준화된 프로토콜을 권장한다.

ABSTRACT

Prostate radiotherapy is a well established curative oncology modality, which in future will use Magnetic Resonance Imaging (MRI)-based radiotherapy for daily adaptive radiotherapy target definition. However the time needed to delineate the prostate from MRI data accurately is a time consuming process. Deep learning has been identified as a potential new technology for the delivery of precision radiotherapy in prostate cancer, where accurate prostate segmentation helps in cancer detection and therapy. However, the trained models can be limited in their application to clinical setting due to different acquisition protocols, limited publicly available datasets, where the size of the datasets are relatively small. Therefore, to explore the field of prostate segmentation and to discover a generalisable solution, we review the state-of-the-art deep learning algorithms in MR prostate segmentation; provide insights to the field by discussing their limitations and strengths; and propose an optimised 2D U-Net for MR prostate segmentation. We evaluate the performance on four publicly available datasets using Dice Similarity Coefficient (DSC) as performance metric. Our experiments include within dataset evaluation and cross-dataset evaluation. The best result is achieved by composite evaluation (DSC of 0.9427 on Decathlon test set) and the poorest result is achieved by cross-dataset evaluation (DSC of 0.5892, Prostate X training set, Promise 12 testing set). We outline the challenges and provide recommendations for future work. Our research provides a new perspective to MR prostate segmentation and more importantly, we provide standardised experiment settings for researchers to evaluate their algorithms. Our code is available at https://github.com/AIEMMU/MRI\_Prostate.

연구 동기 및 목표

• 현재의 딥러닝 모델이 MRI 전립선 세분화에서 가지는 강점과 한계를 검토하고 분석하는 것.
• 특허된 데이터셋과 작은 데이터 크기로 인해 기존 모델의 재현성과 일반화 능력이 떨어지는 문제를 해결하는 것.
• 다양한 데이터셋 간에 세분화 알고리즘을 공정하게 비교하기 위한 표준화된 실험 프로토콜을 제안하는 것.
• 다양한 MRI 촬영 프rotocol에 적합한 성능 향상과 일반화 능력을 갖춘 최적화된 2D U-Net 모델을 개발하고 평가하는 것.
• 재현 가능한 의료 영상 세분화 연구를 지원하기 위해 오픈소스 코드와 벤치마크 설정을 제공하는 것.

제안 방법

• 연구는 네 개의 공개 MRI 데이터셋인 Decathlon, Promise12, ProstateX 및 기타 자료를 기반으로 훈련된 표준 활성화 함수와 옵timizer를 사용한 수정된 2D U-Net 아키텍처를 평가한다.
• 작은 데이터셋에서의 일반화 능력을 향상시키기 위해 Mixup을 포함한 표준 데이터 증강 기법을 사용한다.
• 라벨이 부족한 경우에 비지도 사전학습 대안으로서의 자기지도 학습 기법을 논의한다.
• 성능 평가는 내부 데이터셋 및 데이터셋 간 테스트 프로토콜을 모두 사용한 Dice 유사도 계수(DSC)로 수행된다.
• 모델 간 공정한 비교를 보장하기 위해 표준화된 훈련 및 테스트 분할을 설정한다.
• 코드와 실험 설정을 공개하여 재현 가능성과 투명성을 증진시킨다.

실험 결과

연구 질문

• RQ1 다양한 촬영 프로토콜을 가진 다양한 데이터셋에서 최신 딥러닝 모델이 전립선 MRI 세분화에 어떻게 성능을 내는가?
• RQ2 단일 최적화된 2D U-Net이 다양한 이미징 특성을 지닌 여러 공개 데이터셋에 얼마나 잘 일반화되는가?
• RQ3 현재의 딥러닝 모델이 임상 적용 시 주로 겪는 한계는 무엇인가, 특히 데이터 부족과 표준화 부족에 기인한가?
• RQ4 표준화된 평가 프로토콜이 세분화 알고리즘 비교의 재현 가능성과 공정성 향상에 기여할 수 있는가?
• RQ5 DSC와 표면 DSC와 같은 지표들이 전립선 세분화 과제에서 임상적 관련성을 어떻게 반영하는가?

주요 결과

• 제안된 최적화된 2D U-Net는 Decathlon 테스트 세트에서 복합 평가에서 DSC 0.9427을 기록하여 표준 기준 테스트에서 뛰어난 성능을 보였다.
• 데이터셋 간 평가에서 기록된 최저 DSC는 0.5892였으며( Promise12 훈련, ProstateX 테스트), 일반화 능력에 심각한 과제가 있음을 시사했다.
• Promise12 및 ProstateX 데이터셋에서 훈련된 모델들은 Decathlon 데이터셋으로의 전이 능력이 중간 정도였으며, 기관 간 부분적인 일반화가 가능함을 시사했다.
• 연구는 현재 모델들이 촬영 프로토콜과 데이터 분포의 차이로 인해 실제 임상 데이터에 일반화하기 어려운 경향이 있음을 확인했다.
• 저자들은 표준화된 평가 프로토콜과 오픈소스 코드가 의료 영상 세분화 분야에서 재현 가능하고 비교 가능한 연구를 위해 필수적임을 입증했다.
• 이 연구는 DSC가 작은 윤곽 오차에 민감하지 않아 임상 워크플로우에 심각한 영향을 줄 수 있음을 시사하며, 더 임상적으로 관련성이 높은 지표가 필요함을 강조한다.