[논문 리뷰] FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial Intelligence Developed for Brain

Mostafa Mehdipour Ghazi, Mads Nielsen|arXiv (Cornell University)|2022. 08. 30.

Brain Tumor Detection and Classification인용 수 7

한 줄 요약

FAST-AID Brain는 종횡위 2D MRI 시각에서 계층적 소프트맥스 융합과 약한 지도 학습을 활용한 새로운 U-Net 유사 아키텍처를 사용하는 빠르고 정확하며 강건한 딥러닝 기반 뇌 분할 도구를 제안한다. 이는 내부 및 외부 도메인 데이터셋에서 최신 기술 수준의 성능을 달성하며, 스캔당 40초 이내의 추론 시간을 보이며 전처리 단계를 제거하고, 아티팩트와 도메인 이동에도 불구하고 정확한 뇌내부 부피(ICV) 추정이 가능하다.

ABSTRACT

Medical images used in clinical practice are heterogeneous and not the same quality as scans studied in academic research. Preprocessing breaks down in extreme cases when anatomy, artifacts, or imaging parameters are unusual or protocols are different. Methods robust to these variations are most needed. A novel deep learning method is proposed for fast and accurate segmentation of the human brain into 132 regions. The proposed model uses an efficient U-Net-like network and benefits from the intersection points of different views and hierarchical relations for the fusion of the orthogonal 2D planes and brain labels during the end-to-end training. Weakly supervised learning is deployed to take the advantage of partially labeled data for the whole brain segmentation and estimation of the intracranial volume (ICV). Moreover, data augmentation is used to expand the magnetic resonance imaging (MRI) data by generating realistic brain scans with high variability for robust training of the model while preserving data privacy. The proposed method can be applied to brain MRI data including skull or any other artifacts without preprocessing the images or a drop in performance. Several experiments using different atlases are conducted to evaluate the segmentation performance of the trained model compared to the state-of-the-art, and the results show higher segmentation accuracy and robustness of the proposed model compared to the existing methods across different intra- and inter-domain datasets.

연구 동기 및 목표

• 다양한 품질, 아티팩트, 프로토콜을 가진 MRI 데이터에 대해 일반화 가능한 빠르고 정확한 뇌 분할 방법을 개발하는 것.
• 기존 애틀라스 기반 및 딥러닝 방법의 한계를 해결하는 것—높은 계산 비용, 낮은 일반화 능력, 전처리에 대한 민감성.
• 부분적으로 레이블이 부여된 데이터에서 약한 지도 학습을 통해 정확한 뇌내부 부피(ICV) 추정을 가능하게 하여 신경퇴행성 질환 연구에서의 편향을 줄이는 것.
• 실제로 변동성이 높은 MRI 데이터 증강을 통해 도메인 이동에 대한 강건성을 향상시키되, 데이터 프라이버시를 손상시키지 않는 것.
• 두개골 제거, 왜곡 보정, 정렬 단계를 제거하기 위해 아티팩트가 있는 전체 뇌 MRI 스캔을 직접 분할할 수 있도록 모델을 훈련시키는 것.

제안 방법

• 모델는 종횡위 2D 슬라이스( axial, coronal, sagittal)에서 끝에서 끝까지 훈련된 효율적인 U-Net 유사 아키텍처를 사용하며, 다양한 시각 간 예측을 융합하기 위해 계층적 소프트맥스를 적용한다.
• 다른 시각의 교차점과 계층적 레이블 관계를 활용하여 공간 일관성과 분할 정확도를 향상시킨다.
• 누락된 레이블이 있는 볼륨(예: 뇌내부 공동)에 대해 약한 지도 학습을 적용하여 전체 수동 레이블링 없이도 ICV 추정이 가능하도록 한다.
• 실제로 다양하고 변동성이 높은 MRI 스캔을 생성하는 데이터 증강 전략을 통해 모델의 강건성과 도메인 간 일반화 능력을 향상시킨다.
• 두개골 제거, 왜곡 보정, 정렬과 같은 전처리 단계를 회피하여 아티팩트가 있는 원본 스캔에서 직접 추론이 가능하도록 한다.
• 다양한 시각의 2D 슬라이스에서 끝에서 끝까지 훈련된 모델은 3D 맥락을 유지하면서도 계산 효율성을 확보하기 위해 특징 융합 및 손실 최적화 전략을 설계하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 전처리 또는 정렬 없이 다양한 실제 MRI 스캔에서 높은 분할 정확도와 강건성을 달성할 수 있는가?
• RQ2 부분적인 레이블만 존재할 때 약한 지도 학습이 뇌내부 부피(ICV) 추정에 얼마나 효과적인가?
• RQ3 실제로 생성된 합성 MRI 스캔을 활용한 데이터 증강이 이미지 품질과 아티팩트가 다양하게 존재하는 도메인 간 일반화 능력을 얼마나 향상시키는가?
• RQ4 종횡위 2D 시각 간 계층적 소프트맥스 융합이 기존 2D 또는 3D 접근 방식에 비해 분할 정확도를 얼마나 향상시키는가?
• RQ5 여러 2D 시각을 활용한 2.5D 접근 방식이 메모리 집약적인 3D 훈련을 피하면서도 전통적인 3D CNN 및 패치 기반 방법에 비해 속도와 정확도에서 뛰어난 성능을 내는가?

주요 결과

• 모델은 내부 및 외부 도메인 데이터셋에서 최신 기술 수준의 방법보다 높은 분할 정확도를 달성하였으며, 도메인 이동에 대한 강건성도 향상되었다.
• NVIDIA GeForce RTX 2070 GPU에서 단일 MRI 스캔의 평균 추론 시간은 40초 미만이었으며, 높은 속도를 입증하였다.
• 두개골, 아티팩트, 저대비 스캔(ADNI 데이터에서 흔한 문제)에서도 전처리 단계 없이도 높은 성능를 유지하였다.
• 약한 지도 학습 기반의 ICV 추정 방법은 기존 방법보다 더 정확한 ICV 추정을 제공하여 뇌 부피 정규화에서의 편향을 감소시켰다.
• 데이터 증강 전략은 높은 변동성을 가진 매우 현실적인 MRI 스캔을 생성하여 모델의 일반화 능력과 도메인 이동에 대한 강건성을 크게 향상시켰다.
• 모델은 132개 뇌 영역에서 높은 Dice 유사도 스코어를 달성하였으며, 도전적인 저품질 스캔(ADNI 데이터셋에서의 낮은 품질 스캔)에서도 성능이 안정되었다.