[논문 리뷰] DeepMRSeg: A convolutional deep neural network for anatomy and abnormality segmentation on MR images

Jimit Doshi, Güray Erus외 2명|arXiv (Cornell University)|2019. 07. 03.

Medical Image Segmentation Techniques참고 문헌 18인용 수 25

한 줄 요약

DeepMRSeg는 잔차 연결과 다중 척도 인셉션 블록을 통합한 수정된 UNet 아키텍처로, 원시 T1 강도 MRI 스캔에서 뇌 해부학적 구조와 병변을 직접 정확하게 분할할 수 있도록 설계되었다. 이는 표준 UNet보다 여러 작업—백질 병변, 심부뇌구조, 해마 하위영역—에서 더 높은 오버랩 지표와 균형 임계값 정확도를 달성하며 최소한의 사전 처리로도 뛰어난 성능을 보인다.

ABSTRACT

Segmentation has been a major task in neuroimaging. A large number of automated methods have been developed for segmenting healthy and diseased brain tissues. In recent years, deep learning techniques have attracted a lot of attention as a result of their high accuracy in different segmentation problems. We present a new deep learning based segmentation method, DeepMRSeg, that can be applied in a generic way to a variety of segmentation tasks. The proposed architecture combines recent advances in the field of biomedical image segmentation and computer vision. We use a modified UNet architecture that takes advantage of multiple convolution filter sizes to achieve multi-scale feature extraction adaptive to the desired segmentation task. Importantly, our method operates on minimally processed raw MRI scan. We validated our method on a wide range of segmentation tasks, including white matter lesion segmentation, segmentation of deep brain structures and hippocampus segmentation. We provide code and pre-trained models to allow researchers apply our method on their own datasets.

연구 동기 및 목표

• 작업 특화 재설계 없이 다양한 신경영상 분석 작업에 적용 가능한 일반화된 딥러닝 기반 분할 프레임워크를 개발하는 것.
• 기존 방법의 한계를 해결하기 위해 광범위한 사전 처리와 수동 특징 엔지니어링이 필요로 하는 문제를 해결하는 것.
• 최소한의 처리된 원시 T1 MRI 스캔만으로도 고정확도 분할을 가능하게 하는 것.
• 오픈소스 코드와 사전 학습 모델을 통해 연구자들이 즉시 사용할 수 있는 플러그 앤 플레이 솔루션을 제공하는 것.

제안 방법

• 이 방법은 잔차 연결(ResNet)과 다양한 커널 크기를 가진 다중 분지 인셉션 블록을 통합하여 다중 척도 특징 추출을 가능하게 하는 수정된 UNet 아키텍처를 사용한다.
• 최대 풀링 레이어는 세부 공간적 세부 정보와 경계 정확도를 유지하기 위해 1x1 컨볼루션 필터로 대체된다.
• 광범위한 사전 처리 없이 원시 T1 강도 MRI 스캔에서 엔드 투 엔드로 학습되어 새로운 데이터셋에 직접 적용 가능하다.
• 인코딩 및 디코딩 경로를 결합하고 스킵 연결을 통해 공간적 맥락과 국소화 정밀도를 유지한다.
• 이미지 분류에서 사전 학습된 구성 요소(Inception-ResNet-A)를 의료 분할에 적합하게 변형하여 전이 학습 원리를 활용한다.
• 작업 특화 데이터로 미세 조정되어 다양한 분할 작업에 최소한의 재구성으로도 적용 가능하다.

실험 결과

연구 질문

• RQ1 작업 특화 재설계 없이도 하나의 딥러닝 아키텍처가 다양한 뇌해부학적 및 병리적 대상에서 고정확도 분할 성능을 달성할 수 있는가?
• RQ2 다양한 커널 크기의 확장 및 병렬 컨볼루션 분지로 이루어진 다중 척도 특징 추출이 다양한 MRI 작업에서의 분할 성능 향상에 어떤 기여를 하는가?
• RQ3 최대 풀링을 학습 가능한 1x1 컨볼루션으로 대체할 경우 뇌 분할에서 경계 세부 정보 보존에 얼마나 기여하는가?
• RQ4 원시 T1 스캔에서 학습된 모델이 광범위한 사전 처리나 모odal 특화 튜닝 없이도 최신 기술 수준의 성능을 달성할 수 있는가?
• RQ5 DeepMRSeg는 다양한 뇌 구조와 병변에서 표준 UNet과 비교해 분할 정확도와 내성에 대해 어떻게 성능을 냈는가?

주요 결과

• DeepMRSeg는 모든 심부뇌구조에서 표준 UNet보다 유의미하게 높은 균형 임계값 정확도(BACC)를 달성했으며, 평균 BACC는 0.930으로 UNet의 0.906을 초월했다.
• 해마 하위영역 분할에서는 평균 BACC가 0.913에서 0.922로 향상되었고, F1 스코어는 0.857에서 0.862로 상승했다.
• 백질 병변 분할에서는 더 높은 오버랩 지표와 더 작은 비정상적인 병변에 대한 민감도 향상으로 뛰어난 성능을 보였다.
• 모든 심부뇌구조에서 평균 가중 F1 스코어는 0.858을 기록하여 UNet의 0.842를 능가했다.
• 최대 풀링 대신 1x1 컨볼루션을 사용함으로써 경계 블러가 감소하고 국소화 정확도가 향상되었으며, 특히 편도체나 해마와 같은 작은 복잡한 구조에서 두드러진 효과를 보였다.
• 사전 학습 모델과 코드는 IPP 플랫폼(https://ipp.cbica.upenn.edu/)을 통해 공개되어 있으며, 로컬 설치 없이도 새로운 데이터셋에 직접 배포가 가능하다.