[논문 리뷰] DeepHIPS: A novel Deep Learning based Hippocampus Subfield Segmentation method

José V. Manjón, José E. Romero외 1명|arXiv (Cornell University)|2020. 01. 31.

Neuroscience and Neuropharmacology Research참고 문헌 37인용 수 5

한 줄 요약

DeepHIPS는 고해상도 MRI 스캔에서 해마 하위영역을 자동으로 분할하기 위해 깊이 있는 감독을 적용한 U-Net 아키텍처를 제안하며, 기존 방법들과 비교해 최고의 정확도와 더 빠른 추론 시간을 달성한다. 이 방법은 다중 척도 감독과 데이터 증강을 활용하여 복잡한 하위영역의 분할 성능을 향상시키며, 두 가지 공인된 분할 프로토콜에서 뛰어난 성능을 보였다.

ABSTRACT

The automatic assessment of hippocampus volume is an important tool in the study of several neurodegenerative diseases such as Alzheimer's disease. Specifically, the measurement of hippocampus subfields properties is of great interest since it can show earlier pathological changes in the brain. However, segmentation of these subfields is very difficult due to their complex structure and for the need of high-resolution magnetic resonance images manually labeled. In this work, we present a novel pipeline for automatic hippocampus subfield segmentation based on a deeply supervised convolutional neural network. Results of the proposed method are shown for two available hippocampus subfield delineation protocols. The method has been compared to other state-of-the-art methods showing improved results in terms of accuracy and execution time.

연구 동기 및 목표

• 신경퇴행성 질환의 조기 진단을 지원하기 위해 자동화되고 정확하며 효율적인 해마 하위영역 분할 방법을 개발하기 위해.
• 작고 복잡한 하위영역에 대해 수작업 분할이 시간이 오래 걸리고 주관적이라는 문제를 해결하기 위해.
• 다중 척도 감독과 강력한 데이터 증강을 활용한 딥러닝을 통해 분할 성능을 향상시키기 위해.
• 공개된 데이터셋을 사용하여 두 가지 공인된 해마 하위영역 분할 프로토콜에 대해 방법을 검증하기 위해.
• 기존 최고 수준의 방법들과 비교해 실행 시간을 단축시키면서도 정확도를 유지하거나 향상시키기 위해.

제안 방법

• 다중 디코더 스테이지에서 감독을 적용하여 특징 학습과 기울기 흐름을 향상시키는 깊이 있는 감독을 적용한 U-Net 아키텍처를 사용한다.
• 전문가가 레이블링한 하위영역 레이블이 포함된 고해상도 T1-강조 MRI 스캔에서 엔드 투 엔드로 네트워크를 훈련시킨다.
• 다양한 디코더 수준에서 보조 손실 함수를 통해 다중 척도 감독을 적용하여 국소화 정확도와 일반화 능력을 향상시킨다.
• 강건성과 일반화 능력을 향상시키기 위해 강도 변동과 공간 변형을 포함한 데이터 증강 전략을 사용한다.
• 일致성과 재현 가능성을 확보하기 위해 공개된 두 가지 해마 하위영역 분할 프로토콜에서 방법을 평가한다.
• 추론 속도를 최적화하여 임상 및 연구 환경에서 실시간 또는 근접 실시간 분할을 가능하게 한다.

실험 결과

연구 질문

• RQ1 깊이 있는 감독을 적용한 U-Net 아키텍처가 기존 딥러닝 방법들과 비교해 해마 하위영역 분할 정확도를 향상시킬 수 있는가?
• RQ2 다중 척도 감독이 고해상도 MRI에서 하위영역 분할의 국소화 정확도와 강건성에 기여하는가?
• RQ3 제안된 방법이 정확도를 유지하거나 향상시키면서도 추론 시간을 단축시킬 수 있는가?
• RQ4 이 방법은 두 가지 서로 다른 해마 하위영역 분할 프로토콜에서 어떻게 성능을 보이는가?
• RQ5 제한된 레이블이 있는 데이터셋에서 데이터 증강이 모델의 일반화 능력을 얼마나 향상시키는가?

주요 결과

• 제안된 DeepHIPS 방법은 두 평가 프로토콜 모두에서 모든 하위영역에서 DSC(Dice similarity coefficient) 기준 최고 수준의 성능을 달성했다.
• 기존 최고 수준의 방법들과 비교해 더 빠른 추론 속도를 보이며, 임상 워크플로우에서의 효율적 구현을 가능하게 했다.
• 다중 척도 감독은 특히 작고 해부학적으로 복잡한 하위영역의 분할 정확도를 크게 향상시켰다.
• 효과적인 데이터 증강 덕분에 다양한 MRI 촬영 프로토콜에서도 모델이 강건한 일반화 능력을 보였다.
• 정확도와 계산 효율성의 두 가지 측면에서 기존 딥러닝 기반 접근법을 모두 능가했다.
• 두 개의 독립적인 하위영역 분할 프로토콜 모두에서 일致한 결과를 보이며, 방법의 신뢰성과 재현 가능성을 확인했다.