[논문 리뷰] DeepGI: An Automated Approach for Gastrointestinal Tract Segmentation in MRI Scans

Ye Zhang, Yulu Gong외 3명|arXiv (Cornell University)|2024. 01. 27.

Radiomics and Machine Learning in Medical Imaging인용 수 13

한 줄 요약

이 논문은 트리-패스 딥 러닝 모델(Inception-V4 분류, 2.5D U-Net++ with VGG19, 및 Grayscale Edge U-Net)을 사용하여 방사선 치료 계획용 MRI에서 GI 트랙 분절을 자동화하고, 앙상블 예측 및 특수 전처리를 제시한다.

ABSTRACT

Gastrointestinal (GI) tract cancers pose a global health challenge, demanding precise radiotherapy planning for optimal treatment outcomes. This paper introduces a cutting-edge approach to automate the segmentation of GI tract regions in magnetic resonance imaging (MRI) scans. Leveraging advanced deep learning architectures, the proposed model integrates Inception-V4 for initial classification, UNet++ with a VGG19 encoder for 2.5D data, and Edge UNet for grayscale data segmentation. Meticulous data preprocessing, including innovative 2.5D processing, is employed to enhance adaptability, robustness, and accuracy. This work addresses the manual and time-consuming segmentation process in current radiotherapy planning, presenting a unified model that captures intricate anatomical details. The integration of diverse architectures, each specializing in unique aspects of the segmentation task, signifies a novel and comprehensive solution. This model emerges as an efficient and accurate tool for clinicians, marking a significant advancement in the field of GI tract image segmentation for radiotherapy planning.

연구 동기 및 목표

• MRI 스캔에서 GI 트랙 분절을 자동화하여 방사선 치료 계획의 수동 윤곽 작성을 감소시키는 것.
• 다양한 해부학적 디테일을 포착하기 위해 여러 특화 아키텍처를 결합한 통합 모델을 개발한다.
• 혁신적인 데이터 전처리(2.5D 및 그레이스케일 처리)를 통한 강인성 및 정확도 향상.
• GI 트랙 윤곽 표준화를 위한 효율적 도구를 제공하고 관찰자 간 변동성을 줄인다.

제안 방법

• 삼경로 아키텍처는 초기 건강 기관 분류를 위한 Inception-V4, 상세 분할을 위한 VGG19 인코더를 갖춘 2.5D U-Net++ 및 HED 기반 에지 특징을 갖춘 Grayscale Edge U-Net을 결합한다.
• 데이터 전처리에는 공간 증강(크기 조정 320x384, 수평 뒤집기, 회전, 탄성 왜곡, 거친 드롭아웃) 및 그레이스케일 강도 증강이 포함되며, 2.5D 처리에서는 3개의 연속 MRI 슬라이드를 쌓아 2.5D 입력을 생성한다.
• 엣지는 MBConv 블록과 HED 에지 맵을 갖춘 Edge U-Net을 통해 포함되며, 세 경로의 추론을 평균하여 최종 분할을 형성한다.
• 평가는 Dice 계수와 3D Hausdorff 거리 를 사용하며, 가중 합성 점수로 결합한다(Score = 0.4*Dice + 0.6*3D Hausdorff).
• 모델은 GI 트랙 MRI 스캔에서 대장, 소장, 위 영역의 분할을 목표로 한다.

실험 결과

연구 질문

• RQ1 그레이스케일, 2.5D 및 에지-인식 경로가 MRI에서 GI 트랙 분할에 대해 개별적으로 얼마나 잘 수행하는가?
• RQ2 Inception-V4, 2.5D U-Net++ with VGG19, 및 Edge U-Net을 평균화로 통합하는 것이 개별 경로보다 분할 정확도를 향상시키는가?
• RQ3 그레이스케일 vs. 2.5D MRI 데이터에 어떤 인코더 아키텍처가 GI 분할에 가장 적합한가?
• RQ4 이미징 시나리오 전반에서 모델의 강건성을 가장 효과적으로 향상시키는 전처리 전략은 무엇인가?

주요 결과

• Edge U-Net이 그레이스케일 영상 분할에서 가장 강한 성능을 달성하며 검증 점수는 0.84046이다.
• 2.5D 데이터의 경우, VGG19 인코더를 갖춘 UNet++가 최고의 검증 점수 0.84984를 얻었다.
• 그레이스케일 실험에서 VGG19를 가진 UNet++도 강하게 작동하여 0.80717를, 반면 VGG19를 가진 UNet은 0.78925를 달성했다.
• 전반적으로 그레이스케일에서 Edge U-Net이 타 경로를 웃도는 반면, 2.5D 분할에서는 2.5D UNet++ with VGG19가 주도한다.
• 제안된 앙상블 접근 방식은 Inception-V4, 2.5D U-Net++, Grayscale Edge U-Net의 출력을 결합하여 분할의 강인성을 향상시킨다.