[논문 리뷰] Effects of Image Size on Deep Learning

Olivier Rukundo|arXiv (Cornell University)|2021. 01. 27.

Medical Imaging Techniques and Applications인용 수 5

한 줄 요약

이 연구는 심장 MRI 분할에서 이미지 크기의 영향을 조사하며, 후기 가돌리늄 강화(LGE) MRI 이미지 해상도를 최적화하기 위해 새로운 보간 및 마스크 정제 전략을 제안한다. 결과적으로 더 큰 이미지(수동 MI 정량화에 55.5% 가까이)는 더 작은 이미지(22.2% 가까이)에 비해 자동 심장막경색 측정 정확도를 크게 향상시킨다.

ABSTRACT

In this work, the best size for late gadolinium enhancement (LGE) magnetic resonance imaging (MRI) images in the training dataset was determined to optimize deep learning training outcomes. Non-extra pixel and extra pixel interpolation algorithms were used to determine the new size of the LGE-MRI images. A novel strategy was introduced to handle interpolation masks and remove extra class labels in interpolated ground truth (GT) segmentation masks. The expectation maximization, weighted intensity, a priori information (EWA) algorithm was used for quantification of myocardial infarction (MI) in automatically segmented LGE-MRI images. Arbitrary threshold, comparison of the sums, and sums of differences are methods used to estimate the relationship between semi-automatic or manual and fully automated quantification of myocardial infarction (MI) results. The relationship between semi-automatic and fully automated quantification of MI results was found to be closer in the case of bigger LGE MRI images (55.5% closer to manual results) than in the case of smaller LGE MRI images (22.2% closer to manual results).

연구 동기 및 목표

• 후기 가돌리늄 강화(LGE) MRI 분할에서 딥러닝 모델을 훈련시키기 위한 최적의 이미지 크기를 규명하는 것.
• 이미지 보간과 관련된 과제, 특히 지도 분할 마스크에서 마스크 왜곡과 부적절한 클래스 레이블 문제를 해결하는 것.
• 자동 딥러닝 파이프라인을 통해 심장막경색(MI) 정량화 정확도를 향상시키는 것.
• 다양한 이미지 해상도에서 반자동/수동 및 완전 자동 MI 정량화 간의 관계를 평가하는 것.
• 의료 영상 분석에서 보간된 이미지와 지도 마스크를 다루는 견고한 프레임워크를 개발하는 것.

제안 방법

• LGE-MRI 이미지를 더 큰 차원으로 확대하기 위해 비초과 픽셀 및 초과 픽셀 보간 알고리즘을 적용하였다.
• 새로운 전략을 도입하여 보간 마스크를 처리하고 지도 분할 마스크의 부적절한 클래스 레이블을 제거하였다.
• 분할된 LGE-MRI 이미지에서 MI 정량화를 위해 기대값 최대화, 가중 강도, 사전 정보(EWA) 알고리즘을 사용하였다.
• 반자동/수동 및 완전 자동 MI 정량화 결과 간의 일치도를 평가하기 위해 합의 비교 및 합의 차이를 사용하였다.
• 딥러닝 훈련을 위한 최적의 해상도를 도출하기 위해 다양한 이미지 크기에서 성능을 평가하였다.
• 이미지 전처리, 딥러닝 분할, 그리고 정량적 MI 분석을 결합한 다단계 파이프라인을 활용하였다.

실험 결과

연구 질문

• RQ1 이미지 크기를 증가시키면 LGE-MRI에서 자동 심장막경색 정량화 정확도에 어떤 영향을 미치는가?
• RQ2 보간이 딥러닝 모델에서 분할 마스크 품질과 클래스 레이블 무결성에 어떤 영향을 미치는가?
• RQ3 다양한 이미지 해상도에서 완전 자동 MI 정량화 성능이 반자동 및 수동 방법과 비교해 어떻게 다른가?
• RQ4 새로운 마스크 정제 전략은 이미지 확대 과정에서 유발된 잡음과 부적절한 레이블을 효과적으로 줄일 수 있는가?
• RQ5 수동 MI 측정 결과와 가장 유사한 성능을 달성하기 위해 딥러닝 모델을 훈련시키기 위한 최적의 이미지 크기는 무엇인가?

주요 결과

• 더 큰 LGE-MRI 이미지에서는 완전 자동 MI 정량화가 수동 결과에 55.5% 더 가까이, 더 작은 이미지에서는 22.2% 더 가까이 나타났다.
• 제안된 보간 및 마스크 정제 전략은 부적절한 클래스 레이블을 효과적으로 줄였고, 이미지 확대 과정에서도 분할 정확도를 유지하였다.
• EWA 알고리즘이 자동으로 분할된 LGE-MRI 이미지에서 안정적인 MI 정량화를 가능하게 하여 수동 측정 결과와의 일관성을 향상시켰다.
• 반자동 및 완전 자동 MI 정량화 간의 관계는 더 큰 이미지에서 유의미하게 강해졌으며, 이는 더 나은 일반화 능력을 시사한다.
• 이미지 크기는 모델 성능에 상당한 영향을 미쳤으며, 더 큰 이미지는 더 신뢰성 있고 정확한 자동 분할 결과를 도출하였다.
• 합의 차이와 합의 비교를 통한 분석은 고해상도에서 자동 및 수동 MI 측정 결과 간 상관관계가 더 강하다는 것을 확인하였다.