[논문 리뷰] Fast Infant MRI Skullstripping with Multiview 2D Convolutional Neural Networks

Amod Jog, P. Ellen Grant외 5명|arXiv (Cornell University)|2019. 04. 27.

Neonatal and fetal brain pathology참고 문헌 37인용 수 5

한 줄 요약

이 논문은 축성, 관절, 경부 T1-강조 슬라이스를 기반으로 훈련된 세 개의 2차원 완전 컨volution 신경망을 사용하는 빠르고 정확한 유아 MRI 뇌막 제거 방법인 SSCNN을 제안한다. 각 네트워크의 확률적 출력은 선형 융합되어 최종 뇌막을 생성하며, 수동으로 레이블링된 데이터셋에서 평균 Dice 점수 0.97을 기록하고 GPU에서 30초 미만의 추론 시간으로 다양한 유아 MRI 데이터셋에 대해 뛰어난 내성과 안정성을 보였다.

ABSTRACT

Skullstripping is defined as the task of segmenting brain tissue from a full head magnetic resonance image~(MRI). It is a critical component in neuroimage processing pipelines. Downstream deformable registration and whole brain segmentation performance is highly dependent on accurate skullstripping. Skullstripping is an especially challenging task for infant~(age range 0--18 months) head MRI images due to the significant size and shape variability of the head and the brain in that age range. Infant brain tissue development also changes the $T_1$-weighted image contrast over time, making consistent skullstripping a difficult task. Existing tools for adult brain MRI skullstripping are ill equipped to handle these variations and a specialized infant MRI skullstripping algorithm is necessary. In this paper, we describe a supervised skullstripping algorithm that utilizes three trained fully convolutional neural networks~(CNN), each of which segments 2D $T_1$-weighted slices in axial, coronal, and sagittal views respectively. The three probabilistic segmentations in the three views are linearly fused and thresholded to produce a final brain mask. We compared our method to existing adult and infant skullstripping algorithms and showed significant improvement based on Dice overlap metric~(average Dice of 0.97) with a manually labeled ground truth data set. Label fusion experiments on multiple, unlabeled data sets show that our method is consistent and has fewer failure modes. In addition, our method is computationally very fast with a run time of 30 seconds per image on NVidia P40/P100/Quadro 4000 GPUs.

연구 동기 및 목표

• 유아 MRI에서 뇌막 제거 문제를 해결하기 위해 생후 18개월 이내에 변화하는 해부학적 다양성과 조직 대비 변화를 고려한다.
• 유아 전용 데이터에서 기존의 성인 중심 또는 일반적인 소아 뇌막 제거 도구를 능가하는 방법을 개발한다.
• 임상 및 연구 환경에서 실시간 또는 근접 실시간 사용을 위해 높은 정확도와 계산 효율성을 달성한다.
• 최소한의 실패 모드를 보이며 다양한 다기관, 다스캐너 유아 MRI 데이터셋에 대해 내성적인 성능을 확보한다.
• 스캐너에 통합하여 실시간 뇌 검출 및 시야 최적화를 가능하게 한다.

제안 방법

• 축성, 관절, 경부 T1-강조 MRI 슬라이스에서 뇌막을 예측하기 위해 별도의 세 개의 2차원 완전 컨volution 신경망을 훈련한다.
• 각 네트워크는 독립적으로 2차원 슬라이스를 처리하여 뇌 조직에 대한 확률적 세그멘테이션 맵을 생성한다.
• 세 개의 확률적 출력은 학습된 융합 가중치를 사용하여 선형으로 조합되어 통합된 3차원 뇌막을 생성한다.
• 융합 과정은 공간 일관성을 확보하기 위해 예측값을 동일한 좌표계로 재정렬한 후 평균을 내는 방식으로 수행된다.
• 발달에 따른 조직 대비 변화를 포괄하기 위해 전체 유아 연령 범위(0–18개월)를 포함하는 다양한 데이터셋을 기반으로 훈련된다.
• GPU 가속을 통해 추론 속도를 향상시켜 NVIDIA P40/P100/Quadro 4000 GPU에서 스캔당 30초 미만의 시간을 기록한다.

실험 결과

연구 질문

• RQ1 다중시점 2차원 컨volution 신경망 접근법이 기존의 성인 최적화 또는 일반적인 소아 도구에 비해 유아 MRI에서 더 높은 뇌막 제거 정확도를 달성할 수 있는가?
• RQ2 다양한 다기관, 다스캐너 유아 MRI 데이터셋에서 다양한 촬영 프로토콜을 가진 경우 이 방법은 어떻게 성능을 발휘하는가?
• RQ3 크게 변화하는 해부학적 구조와 강도 변동성이 있는 유아에서 이 방법은 내성적 성능을 유지하고 실패 모드를 피할 수 있는가?
• RQ4 이 방법의 계산 효율성은 어떠한가? 실시간 또는 근접 실시간 응용을 지원할 수 있는가?
• RQ5 미래 버전에서 비-T1-강조 대비를 처리하기 위해 이 방법을 확장할 수 있는가?

주요 결과

• SSCNN은 검증 데이터셋에서 수동으로 레이블링된 기준값과 평균 Dice 겹침율 0.97을 기록했으며, 기존 도구보다 뚜렷이 뛰어난 성능을 보였다.
• 다양한 다기관, 다스캐너 데이터셋에서 수백 명의 환자에 대해 거대한 뇌막 제거 실패 사례가 전혀 발생하지 않았다.
• SSCNN은 GPU 하드웨어에서 스캔당 30초 미만으로 실행되어, 다음으로 빠른 도구인 ROBEX보다 약 10배 빠른 성능을 보였다.
• 레이블 융합 실험을 통해 레이블이 없는 데이터셋에서 일관된 성능과 다른 자동화 도구에 비해 실패율 감소를 확인했다.
• 다양한 스캐너 유형과 촬영 프로토콜 간에도 뛰어난 일반화 능력을 보이며 높은 내성성을 입증했다.
• 저자들은 향후 버전에서 교차 시퀀스 데이터 증강을 통해 T2-강조 대비 처리를 위한 방법을 확장할 계획이다.