[논문 리뷰] GBM-Reservoir: Dataset and Segmentations

Naida Solak, André Ferreira외 4명|arXiv (Cornell University)|2024. 01. 01.

Brain Tumor Detection and Classification인용 수 7

한 줄 요약

이 논문은 BraTS 2023 챌린지에서 뇌종양 세분화를 위한 합성 데이터 증강 기반 접근법인 GBM-Reservoir를 제안한다. GAN 기반 합성(GliGAN)과 이미지 정렬을 활용하여 다양한 훈련 데이터를 생성함으로써, nnU-Net, Swin UNETR, 그리고 BraTS 2021 우승자 모델의 성능을 향상시켰으며, 검증 세트에서 전체 종양(Dice score: 0.9005), 종양 핵심부위(Dice score: 0.8673), 강화 종양(Dice score: 0.8509)의 성능을 기록했고, HD95는 각각 14.940, 14.467, 17.699를 기록했다.

ABSTRACT

In this repository, we present a brain tumor database collection comprising 23,049 samples, with each sample including four different types of MRI brain scans: FLAIR, T1, T1ce, and T2. Additionally, two segmentation masks (ground truth) are provided for each sample. The first mask is the raw output from the registration process, while the second is a post-processed version of the first, designed to simplify interpretation and optimize it for network training. These samples have been acquired via registration process of 438 samples available at the moment of registration from the original dataset provided by the BraTS 2022 Challenge. Registering each pair of existing brain scans results in two additional scans that retain a similar brain shape while featuring varying tumor locations. Consequently, by registering all possible pairs, a dataset originally consisting of n samples can be expanded to n² samples. The original dataset was collected from different institutions under standard clinical conditions, but with different equipment and imaging protocols. As a result, the image quality is heterogeneous, reflecting the diversity of clinical practices across institutions. This dataset can be utilized for various tasks, such as developing fully automated segmentation algorithms for new, unseen brain tumor cases, particularly through deep learning-based approaches, since ground truth is provided for each sample.

연구 동기 및 목표

• 뇌종양 세분화를 위한 고품질 의료 영상 데이터의 부족 문제를 해결하기 위해 합성 MRI 스캔을 생성한다.
• GAN과 이미지 정렬을 활용한 향상된 데이터 증강을 통해 딥러닝 모델의 일반화 능력과 강건성을 향상시킨다.
• 실제 데이터와 합성 데이터를 모두 사용해 훈련된 다양한 아키텍처(nnU-Net, Swin UNETR, BraTS 2021 우승 모델)를 조합한 고성능 앙상블 모델을 개발한다.
• 후처리 임계치 설정과 효율적인 추론 전략을 최적화하여 BraTS 2023 검증 세트에서의 성능을 향상시킨다.

제안 방법

• T1, T2, T1-FLAIR, T1-CE MRI 시퀀스에서 실제적인 간질성 뇌종양 모습을 생성하기 위해 조건부 GAN인 GliGAN을 사용한다.
• 강도 기반 이미지 정렬을 활용해 합성 종양을 실제 뇌 해부학적 구조에 정렬함으로써 해부학적 타당성을 향상시킨다.
• 동일한 합성 데이터 파이프라인을 사용하여 세 가지 서로 다른 딥러닝 모델을 훈련한다: 표준 nnU-Net, Swin UNETR, BraTS 2021 최우수 성과 모델.
• 모든 세 모델의 확률 맵을 평균화한 후, 임계치 기반 후처리를 통해 임의의 양성 결과를 감소시켜 앙상블 학습을 수행한다.
• 추론 중 데이터 증강을 비활성화함으로써 추론 성능을 최적화하였으며, 이는 성능 향상과 함께 최대 8배 빠른 추론 속도를 가능케 하였다.
• 검증 세트 전용 임계치 최적화 전략(WT250TC150ET100)을 사용하여 Dice와 HD95 지표 간 균형을 맞추었으며, 이는 훈련 세트의 임계치와 다름을 보였다.

실험 결과

연구 질문

• RQ1 GAN과 정렬을 활용한 합성 데이터 생성이 낮은 데이터 환경에서 뇌종양 세분화 성능을 크게 향상시킬 수 있는가?
• RQ2 다양한 아키텍처(nnU-Net, Swin UNETR, 이전 챌린지 최우수 모델) 간 앙상블 학습이 세분화의 강건성과 정확도를 어떻게 향상시키는가?
• RQ3 BraTS 2023 검증 세트에서 Dice 점수와 HD95 간 균형을 맞추는 데 최적의 후처리 임계치 전략은 무엇인가?
• RQ4 추론 중 데이터 증강을 비활성화하면 성능을 손상시키지 않고 일반화 능력과 추론 속도를 향상시킬 수 있는가?
• RQ5 합성 데이터 사용이 작은 또는 복잡한 종양이 있는 과도한 케이스에 대한 모델의 일반화 능력에 어떤 영향을 미치는가?

주요 결과

• 모든 세 모델(nnU-Net, Swin UNETR, BraTS 2021 최우수 모델)의 앙상블가 검증 세트에서 최고의 Dice 점수를 기록했다: 전체 종양 0.9005, 종양 핵심부위 0.8673, 강화 종양 0.8509.
• HD95 지표는 전체 종양 14.940, 종양 핵심부위 14.467, 강화 종양 17.699로, 일부 이질적 결과가 존재하더라도 경계 정확도가 높음을 시사한다.
• 검증 세트에 최적화된 임계치(WT250TC150ET100)를 사용한 후처리가 훈련 세트 임계치보다 성능 향상이 뚜렷했으며, 특히 HD95 지표에서 두드러졌다.
• 추론 중 데이터 증강 비활성화가 검증 성능 향상과 함께 최대 8배 빠른 추론 속도를 가능케 하여 앙상블에 더 많은 모델을 포함시킬 수 있었다.
• GliGAN를 활용한 합성 데이터 증강이 강화 종양(ET) 영역에서 Dice 및 HD95 지표 모두에서 최고의 성능을 기록했다.
• 전체 모델 앙상블(SG,G,G,rG,rG,rG_B,L,S,B,L,S)은 최고의 평균 Dice 점수를 기록했고, SrG,rG,rG_B,L,S는 최고의 HD95 성능을 기록하여 지표 간 상충 관계가 있음을 시사한다.