[논문 리뷰] Dilated Inception U-Net (DIU-Net) for Brain Tumor Segmentation

Daniel E. Cahall, Ghulam Rasool외 2명|arXiv (Cornell University)|2021. 08. 15.

Advanced Neural Network Applications참고 문헌 30인용 수 11

한 줄 요약

이 논문은 뇌종양 세분화를 위한 다중 척도 특징 추출을 향상시키기 위해 확장된 컨볼루션을 인셉션 모듈에 통합한 개선된 U-Net 아키텍처인 확장 인셉션 U-Net(DIU-Net)을 제안한다. BraTS 2018 데이터셋에서 표준 U-Net에 비해 매개변수를 15% 감소시키면서도 전체 종양(0.931, p<0.05) 및 종양 핵심부(0.957, p<0.05) 세분화의 덱스 점수에서 통계적으로 유의미한 향상을 달성한다.

ABSTRACT

Magnetic resonance imaging (MRI) is routinely used for brain tumor diagnosis, treatment planning, and post-treatment surveillance. Recently, various models based on deep neural networks have been proposed for the pixel-level segmentation of tumors in brain MRIs. However, the structural variations, spatial dissimilarities, and intensity inhomogeneity in MRIs make segmentation a challenging task. We propose a new end-to-end brain tumor segmentation architecture based on U-Net that integrates Inception modules and dilated convolutions into its contracting and expanding paths. This allows us to extract local structural as well as global contextual information. We performed segmentation of glioma sub-regions, including tumor core, enhancing tumor, and whole tumor using Brain Tumor Segmentation (BraTS) 2018 dataset. Our proposed model performed significantly better than the state-of-the-art U-Net-based model ($p&lt;0.05$) for tumor core and whole tumor segmentation.

연구 동기 및 목표

• 구조적 변동성, 강도 비균일성 및 공간적 이질성으로 인해 MRI에서 뇌종양의 픽셀 수준 세분화를 정확히 수행하는 데 도전하는 문제를 해결하기 위해.
• 확장 컨벌루션과 인셉션 모듈을 통합하여 U-Net의 특징 추출을 향상시켜 국소적 및 전반적인 맥락 학습을 강화하기 위해.
• 글리오마 하위 영역(전체 종양, 종양 핵심부, 강화 종양) 세분화를 위한 계산 효율성이 높고 엔드 투 엔드 딥 러닝 프레임워크를 개발하기 위해.
• 비모수적 통계적 검정을 사용하여 BraTS 2018 벤치마크 데이터셋에서 최신 기술 대비 모델 성능을 평가하기 위해.

제안 방법

• DIU-Net 아키텍처는 수축 경로와 팽창 경로 양쪽에 확장 인셉션 모듈을 통합하여 다중 척도 맥락적 특징을 캡처한다.
• 각 확장 인셉션 모듈은 차원 감소를 위해 세 개의 1×1 컨벌루션을 사용한 후, 반경 확장률 l=1, 2, 3인 3×3 확장 컨벌루션을 적용하여 수신장역을 확장한다.
• 각 컨벌루션 레이어 이후 배치 정규화와 ReLU 활성화 함수를 적용하여 학습 안정성과 기울기 흐름을 향상시킨다.
• 수축 경로와 팽창 경로 사이의 스킵 연결은 공간 해상도를 유지하고 특징을 국소화하여 정밀한 세분화를 가능하게 한다.
• 최종 레이어는 특징 맵의 깊이를 세분화 클래스 수(3개: WT, TC, ET)로 줄이기 위해 1×1 컨벌루션을 사용한 후, 출력을 위해 픽셀 단위의 소프트맥스를 적용한다.
• 모델들은 Keras와 텐서플로우 백엔드를 사용하여 4개의 Tesla P100 GPU에서 학습되었으며, BraTS 2018에서 5겹 교차 검증을 통해 평가되었다.

실험 결과

연구 질문

• RQ1 인셉션 모듈에 확장 컨벌루션을 통합하면 U-Net의 특징 표현이 뇌종양 세분화에서 향상되는가?
• RQ2 제안된 DIU-Net 아키텍처는 BraTS 2018 데이터셋에서 표준 U-Net 및 인셉션 모듈이 통합된 U-Net보다 더 나은 세분화 성능을 달성하는가?
• RQ3 전체 종양 및 종양 핵심부 하위 영역의 세분화 정확도 향상은 통계적으로 유의미한가?
• RQ4 기존 최신 기술 모델 대비 DIU-Net의 매개변수 효율성과 계산 비용은 어떻게 비교되는가?

주요 결과

• DIU-Net은 전체 종양 세분화에서 중앙값 덱스 점수 0.931를 기록하여 기준 U-Net에 비해 통계적으로 유의미한 향상을 보였다(p<0.05).
• 종양 핵심부 세분화에서는 DIU-Net이 덱스 점수 0.957을 달성하여 기준 모델 대비 통계적으로 유의미한 향상을 보였다(p<0.05).
• 강화 종양 하위 영역은 통계적으로 유의미한 향상이 없었음(p=0.114)으로, 이는 이 작은 희귀 영역에 대해 더 큰 맥락 정보가 유의미한 이점을 제공하지 못함을 시사한다.
• DIU-Net은 인셉션 모듈이 통합된 U-Net 대비 매개변수를 250만 개(15%) 감소시켜 더 높은 매개변수 효율성을 보였다.
• 박스 플롯에서 더 좁은 사분위간 범위를 통해 덱스 점수의 변동성이 감소했음을 확인하여 더 일관된 성능을 보였다.
• 고-grade 및 저-grade 뇌종양 사례에 대한 시각적 결과에서 DIU-Net 예측치는 참값과 밀접하게 일치했으며, 종양 종류에 관계없이 높은 강건성을 확인했다.