[논문 리뷰] Detection and segmentation of the Left Ventricle in Cardiac MRI using Deep Learning

Alexandre Attia, Sharone Dayan|arXiv (Cornell University)|2018. 01. 07.

Advanced Neural Network Applications참고 문헌 2인용 수 3

한 줄 요약

이 논문은 심장 MRI에서 자동화된 좌심실(LV) 분할을 위한 삼단계 딥러닝 프레임워크를 제안한다: 먼저 컨volutional 신경망(CNN)을 사용해 LV 영역 관심영역(ROI)을 국소화하고, 그 다음 스택드 오토에인커를 적용해 LV 형태를 추론하며, 마지막으로 탄성 모델(스네이크)을 사용해 분할을 정밀하게 보정한다. 이 방법은 CNN 기반 국소화와 오토에인커에서 유도한 형태 사전 지식, 그리고 활성 윤곽 보정을 결합함으로써 정확도를 향상시키며, 깊이 있는 네트워크 및 전체 MSE 손실 함수를 포함한 아키텍처 수정을 적용했을 때 기준 모델을 능가한다.

ABSTRACT

Manual segmentation of the Left Ventricle (LV) is a tedious and meticulous task that can vary depending on the patient, the Magnetic Resonance Images (MRI) cuts and the experts. Still today, we consider manual delineation done by experts as being the ground truth for cardiac diagnosticians. Thus, we are reviewing the paper - written by Avendi and al. - who presents a combined approach with Convolutional Neural Networks, Stacked Auto-Encoders and Deformable Models, to try and automate the segmentation while performing more accurately. Furthermore, we have implemented parts of the paper (around three quarts) and experimented both the original method and slightly modified versions when changing the architecture and the parameters.

연구 동기 및 목표

• 심장 MRI 스캔에서 시간이 오래 걸리고 변동성이 큰 좌심실(LV) 수동 분할을 자동화하기 위해.
• 전문가 의존적 기준값을 데이터 기반으로 재현 가능한 방법으로 대체함으로써 LV 분할의 관측자 간 및 관측자 내 변동성을 줄이기 위해.
• CNN 기반 영역 국소화, 오토에인커 기반 형태 추론, 탄성 모델 보정을 융합한 하이브리드 딥러닝 접근법을 개발하여 분할 정확도를 향상시키기 위해.
• Avendi 등이 제시한 방법의 원래 아키텍처 및 하이퍼파ram터를 구현하고 추론 실험을 통해 평가하고 도전하기 위해.
• 네트워크 깊이, 활성화 함수, 풀링 유형, 손실 함수 등 아키텍처 선택 사항이 분할 성능에 미치는 영향을 평가하기 위해.

제안 방법

• 256×256 MRI 영상에서 LV 관심영역(ROI)을 식별하는 이진 마스크를 생성하기 위해 11×11 필터, 평균 풀링, 완전 연결층을 갖춘 단일 컨볼루션 레이어 CNN을 사용한다.
• ROI는 100×100 픽셀로 자르고, 다중 레이어를 갖춘 스택드 오토에인커에 입력하여 LV 형태의 압축된 계층적 표현을 학습하고, 추론된 형태 마스크를 생성한다.
• 추론된 형태 마스크는 탄성 윤곽 모델(스네이크)을 사용해 수축, 누출, 비정상성 등의 문제를 보정하여 부드럽고 정확한 LV 윤곽을 도출한다.
• 스택드 오토에인커는 비지도 사전 훈련 시에 평균 제곱오차(MSE), L2 정규화, 쿨백-라이블러(KL) 발산을 조합한 맞춤형 손실을 사용하며, 지도 학습 미세조정 시 최종적으로 MSE 손실을 적용한다.
• 이 방법은 삼단계 파이프라인을 활용한다: (1) CNN을 통한 ROI 탐지, (2) 스택드 오토에인커를 통한 형태 추론, (3) 탄성 모델을 통한 윤곽 보정.
• CNN 및 오토에인커에 대해 하이퍼파ram터 추론 실험을 수행하였으며, 네트워크 깊이, 필터 수, 활성화 함수(ReLU), 풀링 유형(최대 풀링 대비 평균 풀링), 손실 함수 수정(예: 전체 MSE 손실)을 포함한다.

실험 결과

연구 질문

• RQ1 제한된 훈련 데이터로도 CNN 기반 접근법이 심장 MRI에서 좌심실을 효과적으로 국소화할 수 있는가?
• RQ2 ROI 특징에서 LV 형태를 재구성하는 데 있어 맞춤형 손실을 사용한 스택드 오토에인커의 성능은 표준 MSE만 사용한 경우보다 어떻게 다를까?
• RQ3 탄성 모델(스네이크)을 통합할 경우, 원시 오토에인커 출력에 비해 분할 정확도가 유의미하게 향상되는가?
• RQ4 깊이 있는 네트워크, ReLU 활성화 함수, 최대 풀링 등의 아키텍처 수정이 제안된 프레임워크의 분할 성능에 얼마나 기여하는가?
• RQ5 스택드 오토에인커의 가중치를 0으로 초기화하는 것이 최적의 선택인가, 아니면 정규 또는 균일 분포 초기화가 더 나은 성능을 낼 수 있는가?

주요 결과

• 원래의 단일 레이어 모델 대비 두 개의 컨볼루션 레이어를 갖춘 더 깊은 CNN 아키텍처가 분할 성능에 약간이지만 측정 가능한 향상을 이끌었다.
• CNN에서 ReLU 활성화 함수와 최대 풀링을 사용했지만, 원래 모델의 평균 풀링과 시그모이드 유사 활성화 함수를 사용한 경우와 성능 향상이 없었으며, 하이퍼파ram터 선택에 민감함을 시사했다.
• 원래 스택드 오토에인커 손실 함수(평균 제곱오차, L2 정규화, KL 발산 조합)는 전체 MSE 손실보다 더 좋은 결과를 도출했지만, 후자는 더 매끄러운 윤곽을 생성했다.
• 검증 세트에서 가중치를 0으로 초기화한 것이 정규 및 균일 초기화보다 성능이 뛰어나, 가중치 초기화 전략이 성능에 상당한 영향을 미친다는 것을 시사했다.
• 활성 윤곽 모델(스네이크)의 사용은 윤곽의 매끄러움과 기준값과의 정렬을 크게 향상시켜 수축 및 누출 아티팩트를 감소시켰다.
• 더 깊은 CNN과 전체 MSE 손실을 적용한 수정된 모델이 가장 유망한 결과를 보였으며, 원래 방법의 강력한 기준 성능에도 불구하고 아키텍처 및 손실 함수 수정이 분할 정확도 향상에 기여할 수 있음을 입증했다.