[논문 리뷰] Fibroglandular Tissue Segmentation in Breast MRI using Vision Transformers -- A multi-institutional evaluation

Gustav Müller‐Franzes, Fritz Müller-Franzes외 10명|arXiv (Cornell University)|2023. 04. 18.

MRI in cancer diagnosisMedicine참고 문헌 25인용 수 3

한 줄 요약

이 연구는 유방 MRI에서 섬유선모세관 조직 분할을 위한 비전 트랜스포머 기반 모델인 TraBS를 제안하며, 내부(디스: 0.916 vs. 0.909) 및 외부(디스: 0.864 vs. 0.824) 테스트 세트에서 모두 CNN 기반의 nnUNet을 능가하여 자동 유방 밀도 및 배경 피아노성 강화 측정의 보다 뛰어난 일반화 및 정확도를 입증한다.

ABSTRACT

Accurate and automatic segmentation of fibroglandular tissue in breast MRI screening is essential for the quantification of breast density and background parenchymal enhancement. In this retrospective study, we developed and evaluated a transformer-based neural network for breast segmentation (TraBS) in multi-institutional MRI data, and compared its performance to the well established convolutional neural network nnUNet. TraBS and nnUNet were trained and tested on 200 internal and 40 external breast MRI examinations using manual segmentations generated by experienced human readers. Segmentation performance was assessed in terms of the Dice score and the average symmetric surface distance. The Dice score for nnUNet was lower than for TraBS on the internal testset (0.909$\pm$0.069 versus 0.916$\pm$0.067, P<0.001) and on the external testset (0.824$\pm$0.144 versus 0.864$\pm$0.081, P=0.004). Moreover, the average symmetric surface distance was higher (=worse) for nnUNet than for TraBS on the internal (0.657$\pm$2.856 versus 0.548$\pm$2.195, P=0.001) and on the external testset (0.727$\pm$0.620 versus 0.584$\pm$0.413, P=0.03). Our study demonstrates that transformer-based networks improve the quality of fibroglandular tissue segmentation in breast MRI compared to convolutional-based models like nnUNet. These findings might help to enhance the accuracy of breast density and parenchymal enhancement quantification in breast MRI screening.

연구 동기 및 목표

• 다양한 임상 프로토콜에서 유방 MRI의 섬유선모세관 조직 분할을 위한 강력하고 일반화 가능한 딥 러닝 모델을 개발하는 것.
• 비전 트랜스포머 아키텍처가 nnUNet과 같은 기존의 컨volutional 신경망(CNN)보다 다기관 환경에서 성능이 뛰어나지 않는지 평가하는 것.
• 이전 연구에서 외부 검증이 부족한 점을 보완하기 위해 듀크 대학교에서 확보한 독립된 데이터셋을 사용하여 검증하는 것.
• 40개의 DUKE MRI 케이스에 대한 수동 분할 데이터를 공개함으로써 향후 알고리즘 평가를 위한 공개 기준을 제공하는 것.
• 임상 유방 MRI 스크리닝에서 자동 유방 밀도 및 배경 피아노성 강화 측정의 신뢰성을 향상시키는 것.

제안 방법

• 유방 MRI에서 3D 섬유선모세관 조직 분할을 위한 비전 트랜스포머 기반 신경망 아키텍처인 TraBS를 제안하였다.
• University Hospital Aachen(УКА)의 200개 내부 MRI 스캔과 Duke University(DUKE)의 40개 외부 스캔에서 TraBS를 훈련 및 평가하였다.
• 경험이 풍부한 방사선과 전문의가 수작업으로 작성한 분할 결과를 참조 기준으로 사용하였으며, 추가 전문가의 품질 관리를 실시하였다.
• Dice 점수와 평균 대칭 표면 거리를 지표로 하여 상태의 최선인 CNN 모델인 nnUNet과의 성능을 비교하였다.
• 다중 스캐너, 다중 프로토콜 데이터셋 간 일관성을 확보하기 위해 표준 데이터 전처리 및 정규화를 적용하였다.
• 다양한 유방 밀도 수준에서의 Dice 점수에 대한 분석 및 추론을 통해 성능 변동성을 평가하였다.

실험 결과

연구 질문

• RQ1 비전 트랜스포머 기반 모델(TraBS)이 내부 및 외부 MRI 데이터셋에서 상태의 최선인 CNN(nnUNet)보다 섬유선모세관 조직 분할 성능이 뛰어나게 되는가?
• RQ2 분할 모델의 성능은 다양한 유방 밀도 수준에서 어떻게 변화하며, 이는 보고된 Dice 점수에 영향을 미치는가?
• RQ3 트랜스포머 기반 모델이 CNN 기반 모델보다 외부 다기관 데이터에 더 잘 일반화되는가?
• RQ4 데이터셋의 이질성(예: 스캐너의 자기장 강도, 프로토콜)은 분할 성능에 어떤 영향을 미치며, TraBS는 이를 어떻게 완화하는가?
• RQ5 훈련 단계에서 외부 데이터를 포함시키는 것이 섬유선모세관 조직 분할에서 도메인 이동에 대한 모델의 강건성 향상에 얼마나 기여하는가?

주요 결과

• 내부 테스트 세트에서 TraBS는 nnUNet보다 높은 Dice 점수를 기록하였다(0.916 ± 0.067 vs. 0.909 ± 0.069, p < 0.001).
• 외부 테스트 세트에서 TraBS는 nnUNet보다 높은 Dice 점수를 기록하였으며, 각각 0.864 ± 0.081과 0.824 ± 0.144였다(p = 0.004).
• TraBS는 내부 세트에서 더 낮은 평균 대칭 표면 거리를 보이며 표면 거리 성능이 뛰어났다(0.548 ± 2.195 mm vs. 0.657 ± 2.856 mm, p = 0.001).
• 외부 테스트 세트에서도 유사한 개선이 관찰되었으며, TraBS는 0.584 ± 0.413 mm를 기록하였고, nnUNet은 0.727 ± 0.620 mm를 기록하였다(p = 0.03).
• 낮은 섬유선모세관 조직 밀도는 낮은 Dice 점수와 관련이 있었으며, 이는 다양한 연구에서 보고된 성능 변동성을 설명한다.
• 저자들은 향후 알고리즘 평가를 지원하기 위해 40개의 DUKE MRI 케이스에 대한 수동 분할 데이터를 공개하였다.