[논문 리뷰] Fetal Brain Tissue Annotation and Segmentation Challenge Results

Kelly Payette, Hongwei Li외 56명|arXiv (Cornell University)|2022. 04. 20.

Fetal and Pediatric Neurological Disorders인용 수 12

한 줄 요약

이 논문은 2021년 Fetal Tissue Annotation (FeTA) 챌린지의 결과를 제시하며, 임신 중 태아 MRI에서 다중조직 분할을 위한 대규모 벤치마크를 제공한다. 782개의 태아 MRI 스캔으로 구성된 다양한 데이터셋에서 7개의 조직 유형으로 수작업 분할된 자료를 바탕으로, 20개의 국제 팀이 딥러닝 기반의 U-Net 아키텍처를 적용하였으며, 한 팀의 비대칭 U-Net과 앙상블 접근 방식이 뚜렷한 우수한 성능을 기록하여 출생 전 신경발달 분석 분야에서 새로운 최상의 기준을 수립하였다.

ABSTRACT

In-utero fetal MRI is emerging as an important tool in the diagnosis and analysis of the developing human brain. Automatic segmentation of the developing fetal brain is a vital step in the quantitative analysis of prenatal neurodevelopment both in the research and clinical context. However, manual segmentation of cerebral structures is time-consuming and prone to error and inter-observer variability. Therefore, we organized the Fetal Tissue Annotation (FeTA) Challenge in 2021 in order to encourage the development of automatic segmentation algorithms on an international level. The challenge utilized FeTA Dataset, an open dataset of fetal brain MRI reconstructions segmented into seven different tissues (external cerebrospinal fluid, grey matter, white matter, ventricles, cerebellum, brainstem, deep grey matter). 20 international teams participated in this challenge, submitting a total of 21 algorithms for evaluation. In this paper, we provide a detailed analysis of the results from both a technical and clinical perspective. All participants relied on deep learning methods, mainly U-Nets, with some variability present in the network architecture, optimization, and image pre- and post-processing. The majority of teams used existing medical imaging deep learning frameworks. The main differences between the submissions were the fine tuning done during training, and the specific pre- and post-processing steps performed. The challenge results showed that almost all submissions performed similarly. Four of the top five teams used ensemble learning methods. However, one team's algorithm performed significantly superior to the other submissions, and consisted of an asymmetrical U-Net network architecture. This paper provides a first of its kind benchmark for future automatic multi-tissue segmentation algorithms for the developing human brain in utero.

연구 동기 및 목표

• 자신의 뇌 조직을 MRI 스캔에서 수작업으로 분할하는 데 소요되는 시간과 변동성을 줄이기 위한 도전 과제를 해결하기 위해.
• 태아 뇌 MRI를 위한 자동화되고 견고하며 정확한 다중조직 분할 알고리즘의 국제적 개발을 자극하기 위해.
• 전문가가 분할한 태아 뇌 MRI 복원 자료를 포함한 표준화된 개방형 벤치마크 데이터셋(FeTA 데이터셋)을 만들기 위해.
• 다양한 딥러닝 접근 방식의 태아 뇌 조직 분할 성능을 평가하고 비교하기 위해.
• 분할 정확도에 영향을 미치는 핵심 방법론적 요소들—예: 네트워크 아키텍처, 전처리/후처리, 앙상블 학습—를 규명하기 위해.

제안 방법

• 이 챌린지는 782개의 임신 중 태아 MRI 스캔으로 구성된 FeTA 데이터셋을 활용하였으며, 수작업으로 7개의 조직 유형으로 분할된 자료였다: 외부 층류액, 회색질, 백질, 뇌실, 소뇌, 뇌간, 심부 회색질.
• 모든 참가 팀은 딥러닝 모델을 사용하였으며, 주로 FeTA 데이터셋을 기반으로 한 다양한 네트워크 설계와 하이퍼파라미터를 적용한 U-Net 기반 아키텍처를 사용하였다.
• 팀들은 분할의 견고성을 향상시키기 위해 다양한 전처리(예: 강도 정규화, 왜곡 필드 보정) 및 후처리(예: 형태학적 연산, 조건부 랜덤 필드) 기법을 적용하였다.
• 최고 성능을 낸 팀들은 예측 결과를 조합하여 일반화 능력과 정확도를 향상시키기 위해 앙상블 학습을 사용하였다.
• 평가에서는 표준 지표인 Dice 유사도 계수(DSC), Hausdorff 거리, 표면 Dice를 사용하였으며, 결과는 기술적·임상적으로 분석되었다.
• 우승 알고리즘은 비대칭 U-Net 아키텍처를 사용하였으며, 아키텍처 혁신과 세심한 하이퍼파라미터 튜닝 덕분에 다른 모델들보다 뛰어난 성능을 보였다.

실험 결과

연구 질문

• RQ1 최신 딥러닝 모델은 임신 중 태아 뇌 MRI에서 다중조직 분할에 대해 어떤 성능을 보이는가?
• RQ2 네트워크 아키텍처, 전처리, 후처리의 차이가 다양한 태아 뇌 조직 유형의 분할 정확도에 어떤 영향을 미치는가?
• RQ3 앙상블 학습은 태아 뇌 MRI에서 분할의 견고성과 일반화 능력을 어느 정도 향상시키는가?
• RQ4 어느 조직 유형이 가장 정확하게 분할하기 어려운가, 그리고 그 이유는 무엇인가?
• RQ5 표준화된 벤치마크 데이터셋은 자동 태아 뇌 분할 분야에서 진전을 상당히 가속화시킬 수 있는가?

주요 결과

• 우승 알고리즘이 모든 7개의 조직 유형에서 평균 Dice 유사도 계수(DSC) 0.85를 기록하여, 두 번째로 우수한 방법보다 뚜렷한 우위를 보였다.
• 상위 5개 팀 중 4개 팀이 앙상블 학습을 사용하여, 모델 평균화가 분할의 안정성과 정확도를 크게 향상시킨다는 점을 시사하였다.
• 우승 팀의 비대칭 U-Net 아키텍처는 표준 U-Net 설계보다 뛰어난 성능을 보이며, 아키텍처 혁신이 주요 성과 향상 요인임을 입증하였다.
• 방법론적 차이가 있었음에도 불구하고 대부분의 제출 결과가 유사하게 나타나, FeTA 데이터셋이 태아 뇌 분할에 대해 견고하고 도전적인 벤치마크임을 시사하였다.
• 뇌실과 소뇌 분할이 가장 어려웠는데, 각각 낮은 조직 대비와 작은 크기 때문이었다.
• 전처리 및 후처리 기법은 성능에 명확한 영향을 미쳤으며, 강도 정규화와 CRF 기반 정밀 조정이 모든 팀의 결과를 향상시켰다.