[논문 리뷰] DeepLesionBrain: Towards a broader deep-learning generalization for multiple sclerosis lesion segmentation

Reda Abdellah Kamraoui, Vinh‐Thong Ta외 4명|arXiv (Cornell University)|2020. 12. 14.

Digital Imaging for Blood Diseases참고 문헌 51인용 수 73

한 줄 요약

DLB는 교차 데이터셋 일반화를 향상시키기 위해 계층화 전문화 학습, 공간적으로 분포된 3D CNN, 이미지 품질 데이터 증가(IQDA), 모달리티 효율적 설계(T1w+FLAIR)를 활용한 도메인 일반화 MS 병변 분할 프레임워크를 제안한다.

ABSTRACT

Recently, segmentation methods based on Convolutional Neural Networks (CNNs) showed promising performance in automatic Multiple Sclerosis (MS) lesions segmentation. These techniques have even outperformed human experts in controlled evaluation conditions such as Longitudinal MS Lesion Segmentation Challenge (ISBI Challenge). However state-of-the-art approaches trained to perform well on highly-controlled datasets fail to generalize on clinical data from unseen datasets. Instead of proposing another improvement of the segmentation accuracy, we propose a novel method robust to domain shift and performing well on unseen datasets, called DeepLesionBrain (DLB). This generalization property results from three main contributions. First, DLB is based on a large group of compact 3D CNNs. This spatially distributed strategy ensures a robust prediction despite the risk of generalization failure of some individual networks. Second, DLB includes a new image quality data augmentation to reduce dependency to training data specificity (e.g., acquisition protocol). Finally, to learn a more generalizable representation of MS lesions, we propose a hierarchical specialization learning (HSL). HSL is performed by pre-training a generic network over the whole brain, before using its weights as initialization to locally specialized networks. By this end, DLB learns both generic features extracted at global image level and specific features extracted at local image level. DLB generalization was validated in cross-dataset experiments on MSSEG'16, ISBI challenge, and in-house datasets. During experiments, DLB showed higher segmentation accuracy, better segmentation consistency and greater generalization performance compared to state-of-the-art methods. Therefore, DLB offers a robust framework well-suited for clinical practice.

연구 동기 및 목표

• CNN 기반 MS 병변 분할의 보지 않은 임상 데이터셋에서의 일반화 부족 문제를 해결한다.
• 대상 도메인 주석 없이도 성능을 유지하는 도메인 일반화 가능한 아키텍처를 제안한다.
• 새로운 데이터 증강 및 계층적 특징 학습을 통해 취득 변동성에 대한 강인성을 향상시킨다.

제안 방법

• 뇌 영역마다 겹치는 수용 영역을 가진 컴팩트하고 공간적으로 분포된 다수의 3D CNN을 도입한다.
• 학습 중 Image Quality Data Augmentation (IQDA)을 적용하여 취득 및 품질 변동성(블러, 에지 강화, 축 방향 샘플링)을 시뮬레이션한다.
• Hierarchical Specialization Learning (HSL)을 적용: 먼저 모든 뇌 영역에서 일반 네트워크를 학습하여 글로벌 특징을 포착한 다음, 지역 특화에 대해 일반 가중치를 사용해 영역별 네트워크를 초기화한다.
• 두 모달리티 입력 설정(T1w 및 FLAIR)을 사용하여 데이터셋 간 호환성을 극대화하고 추가 시퀀스 의존성을 피한다.
• 교차 데이터셋 MS 분절 벤치마크에서 학습 및 평가를 수행하여 도메인 일반화를 평가한다(ISBI, MSSEG’16, 사내 데이터).
• 클래스 불균형을 해결하고 겹치는 영역 예측을 다수결 투표로 집계하기 위해 매끄러운 Generalized Jaccard Loss로 최적화한다.

실험 결과

연구 질문

• RQ1 DSunseen 도메인에서 대상 도메인 주석 없이도 Robust MS 병변 분할이 가능한가?
• RQ2 겹치는 수용 영역을 가진 공간적으로 분포된 네트워크가 단일 네트워크 접근법보다 일반화를 개선하는가?
• RQ3 IQDA와 Hierarchical Specialization Learning이 교차 도메인 강인성과 병변 탐지 정확도에 의미 있게 기여하는가?
• RQ4 두 가지 MRI 모달리티(T1w, FLAIR) 만으로 데이터셋 간 취득 프로토콜이 다른 상황에서도 신뢰할 수 있는 MS 병변 분할이 가능한가?

주요 결과

• DLB는 교차 데이터셋 테스트에서 최첨단 방법에 비해 분할 정확도, 일관성 및 일반화 성능이 더 우수하다.
• 겹치는 영역을 가진 공간적으로 분포된 네트워크는 강건한 합의를 제공하여 도메인 시프트 하에서의 안정성을 향상시킨다.
• IQDA는 학습 데이터의 특정 취득 및 품질 변화에 대한 민감성을 줄여 도메인 일반화를 돕는다.
• HSL은 일반 글로벌 특징과 지역별 특징의 효과적인 학습을 가능하게 하여 단일 네트워크 또는 비-HSL 기준선보다 우수하다.
• DLB는 두 모달리티(T1w, FLAIR)와의 호환성을 유지하면서 다양한 데이터셋에서 강건한 성능을 유지한다.