[논문 리뷰] Deep Poincare Map For Robust Medical Image Segmentation.

Yuanhan Mo, Fangde Liu외 4명|arXiv (Cornell University)|2017. 03. 27.

Medical Image Segmentation Techniques인용 수 2

한 줄 요약

이 논문은 심장 MRI에서 좌심실(LV) 분할을 위한 딥 폴리카레 지도 기반 반복적 분할 방법을 제안한다. 정책 네트워크를 사용하여 Poincaré 지도의 강도 차이를 정지 기준으로 삼아 에이전트가 LV 경계를 따라 이동하도록 안내한다. 이 방법은 SCD 및 STACOM 2011 데이터셋에서 최신 기술 수준의 성능을 달성하며, SCD에서 학습한 모델이 STACOM으로의 제로샷 전이 성능가지 강력하게 확보한다.

ABSTRACT

Precise segmentation of the left ventricle (LV) within cardiac MRI images is a prerequisite for the quantitative measurement of heart function. However, this task is challenging due to the limited availability of labeled data and motion artifacts from cardiac imaging. In this work, we present an iterative segmentation algorithm for LV delineation. By coupling deep learning with a novel dynamic-based labeling scheme, we present a new methodology where a policy model is learned to guide an agent to travel over the the image, tracing out a boundary of the ROI -- using the magnitude difference of the Poincare map as a stopping criterion. Our method is evaluated on two datasets, namely the Sunnybrook Cardiac Dataset (SCD) and data from the STACOM 2011 LV segmentation challenge. Our method outperforms the previous research over many metrics. In order to demonstrate the transferability of our method we present encouraging results over the STACOM 2011 data, when using a model trained on the SCD dataset.

연구 동기 및 목표

• 제한된 레이블 데이터와 운동 아티팩트가 존재하는 심장 MRI에서 정밀한 좌심실 분할을 해결하기 위해.
• 대규모 레이블링 데이터셋에 의존도를 줄이는 데이터 효율적인 분할 방법을 개발하기 위해.
• 반복적 경계 추적을 가능하게 하는 새로운 동적 기반 레이블링 체계를 도입하기 위해.
• 다양한 심장 MRI 데이터셋 간의 분할 정확도 및 일반화 능력을 향상시키기 위해.
• SCD에서 학습한 모델이 STACOM 2011 데이터셋으로 전이 가능한지 검증하기 위해.

제안 방법

• 딥 강화학습을 활용해 정책 모델을 학습시켜, 이미지의 단계별 특징을 기반으로 에이전트가 LV 경계를 따라 이동하도록 안내한다.
• 이미지 패치에서 Poincaré 지도를 계산하여 국소 역학을 캡처하고 경계 전환을 탐지한다.
• Poincaré 지도의 강도 차이를 동적 정지 기준으로 사용하여, 에이전트가 경계의 끝에 도달했는지 판단한다.
• 학습 중 레이블링 체계가 동적으로 업데이트되어, 에이전트가 변화하는 경계 표현으로부터 학습할 수 있도록 한다.
• 딥 네ural 네트워크를 사용해 이미지 특징을 인코딩하고, 에이전트의 이동을 안내한다.
• 반복 과정을 통해 Poincaré 지도 강도 차이 기반 정지 기준을 충족할 때까지 경계를 따라 LV 윤곽을 추적한다.

실험 결과

연구 질문

• RQ1 딥 강화학습 기반 에이전트는 Poincaré 지도에서 유도된 동적 이미지 특징을 활용해 좌심실 경계를 효과적으로 추적할 수 있는가?
• RQ2 제안된 동적 레이블링 체계는 레이블 데이터가 제한된 상황에서 분할 성능 향상에 어떤 기여를 하는가?
• RQ3 SCD 데이터셋에서 학습한 모델이 피팅 튜닝 없이 STACOM 2011 데이터셋으로 일반화되는 정도는 어느 정도인가?
• RQ4 Poincaré 지도 강도 차이를 정지 기준으로 사용할 경우 경계 탐지 정확도가 향상되는가?
• RQ5 이 방법은 다양한 벤치마크 데이터셋에서 좌심실 분할 성능을 최신 기술 수준으로 달성할 수 있는가?

주요 결과

• 제안된 방법은 SCD 및 STACOM 2011 좌심실 분할 챌린지에서 다수의 평가 지표에서 이전 최신 기술 수준의 접근법을 능가한다.
• SCD 데이터셋에서 학습한 모델이 STACOM 2011 데이터셋으로 효과적으로 일반화되어, 강력한 제로샷 전이 성능를 보였다.
• Poincaré 지도 강도 차이를 정지 기준으로 사용함으로써 경계 탐지 정밀도가 향상되고 분할 오류가 감소하였다.
• 동적 레이블링 체계는 제한된 레이블 데이터 상황에서도 효과적인 학습을 가능하게 하여 데이터 효율성을 향상시켰다.
• 운동 아티팩트와 저대비 영역이 존재하는 심장 MRI 스캔에서도 강력한 분할 성능를 확보하였다.