[논문 리뷰] Generative Model-Based Ischemic Stroke Lesion Segmentation

Tao Song|arXiv (Cornell University)|2019. 06. 06.

Acute Ischemic Stroke Management참고 문헌 11인용 수 12

한 줄 요약

이 논문은 CT 퍼플루언스(CTP) 데이터를 사용하여 뇌경색 병변 분할을 위한 새로운 생성 모델 기반 프레임워크를 제안한다. 추출기, 생성기, 분할기로 구성되어 임상적으로 유의미한 DWI 유사 영상들을 합성하고 병변 탐지 성능을 햖थ한다. ISLES 2018 데이터셋에서 엔드 투 엔드로 훈련된 이 방법은 일반화된 딱지 계수와 가중치가 부여된 교차 엔트로피 손실을 통해 데이터 불균형 문제를 효과적으로 해결하여 도전 대회에서 1등을 차지했다.

ABSTRACT

CT perfusion (CTP) has been used to triage ischemic stroke patients in the early stage, because of its speed, availability, and lack of contraindications. Perfusion parameters including cerebral blood volume (CBV), cerebral blood flow (CBF), mean transit time (MTT) and time of peak (Tmax) could also be computed from CTP data. However, CTP data or the perfusion parameters, are ambiguous to locate the infarct core or tissue at risk (penumbra), which is normally confirmed by the follow-up Diffusion Weighted Imaging (DWI) or perfusion diffusion mismatch. In this paper, we propose a novel generative modelbased segmentation framework composed of an extractor, a generator and a segmentor for ischemic stroke lesion segmentation. First, an extractor is used to directly extract the representative feature images from the CTP feature images. Second, a generator is used to generate the clinical relevant DWI images using the output from the extractor and perfusion parameters. Finally, the segmentor is used to precisely segment the ischemic stroke lesion using the generated DWI from the generator. Meanwhile, a novel pixel-region loss function, generalized dice combined with weighted cross entropy, is used to handle data unbalance problem which is commonly encountered in medical image segmentation. All networks are trained end-to-end from scratch using the 2018 Ischemic Stroke Lesion Segmentation Challenge (ISLES) dataset and our method won the first place in the 2018 ischemic stroke lesions segmentation challenge in the test stage.

연구 동기 및 목표

• 의심스러운 CTP 퍼플루언스 파라미터로 인해 해석이 어려운 뇌경색 병변을 정확히 식별하는 데 도전하는 것.
• 단지 CTP 데이터에 의존하는 전통적 분할 방법의 한계를 극복하여 병변의 정확한 국소화를 향상시키는 것.
• 딥 러닝 프레임워크를 개발하여 CTP 데이터에서 DWI 유사 영상을 합성함으로써 병변 분할 성능을 향상시키는 것.
• 일반화된 딱지 계수와 가중치가 부여된 교차 엔트로피를 조합한 새로운 하이브리드 손실 함수를 통해 의료 영상 분할에서의 데이터 불균형 문제를 완화하는 것.

제안 방법

• CTP 유래 퍼플루언스 파라미터(CBV, CBF, MTT, Tmax)에서 직접적으로 유 representative 특징을 추출하기 위해 추출기 네트워크를 사용한다.
• 추출된 특징과 퍼플루언스 파라미터를 기반으로 생성기 네트워크가 실제 DWI 스캔과 유사한 외관을 띄는 DWI 유사 영상을 합성한다.
• 합성된 데이터를 입력으로 사용하여 생성된 DWI 영상에서 정밀한 병변 분할을 수행하는 분할기 네트워크를 구현한다.
• 클래스 불균형 문제를 다루기 위해 일반화된 딱지 계수와 가중치가 부여된 교차 엔트로피를 조합한 새로운 픽셀-영역 손실 함수를 도입한다.
• 모든 구성 요소는 외부 데이터에서의 사전 훈련 없이 2018년 ISLES 데이터셋에서 엔드 투 엔드로 처음부터 훈련된다.
• 훈련 단계에서 실제 DWI 스캔이 없더라도 DWI의 진단적 관련성을 활용하여 분할 정확도를 향상시켰다.

실험 결과

연구 질문

• RQ1 생성 모델이 CTP 퍼플루언스 파라미터에서 DWI 유사 영상을 효과적으로 합성하여 뇌경색 병변 분할 성능을 향상시킬 수 있는가?
• RQ2 직접 CTP 파라미터에 대해 분할하는 것과 비교해 합성 DWI 데이터를 통합할 경우 병변 탐지 정확도는 어떻게 향상되는가?
• RQ3 일반화된 딱지 계수와 가중치가 부여된 교차 엔트로피를 조합한 하이브리드 손실 함수가 뇌경색 병변 분할에서의 데이터 불균형 문제를 어느 정도 완화할 수 있는가?
• RQ4 통합된 생성기-분할기 프레임워크를 엔드 투 엔드로 훈련하는 것이 ISLES 벤치마크에서 단계별 또는 사전 훈련된 접근법보다 우월한가?
• RQ5 제안된 방법이 후속 DWI 스캔이 즉각 이용되지 않는 실질적인 임상 환경에 일반화될 수 있는가?

주요 결과

• 제안된 방법은 2018년 뇌경색 병변 분할 도전 대회에서 최고 성능을 기록하여 테스트 단계에서 1등을 차지했다.
• CTP 데이터만을 사용하는 기준선 방법과 비교해 생성 모델을 통해 DWI 유사 영상을 합성함으로써 병변 분할 정확도가 크게 향상되었다.
• 일반화된 딱지 계수와 가중치가 부여된 교차 엔트로피를 조합한 하이브리드 손실 함수는 클래스 불균형의 영향을 효과적으로 줄여 작거나 흩어진 병변의 더 견고한 분할을 가능하게 하였다.
• 초기부터 엔드 투 엔드로 훈련한 결과는 사전 훈련 모델에 의존하지 않는 전체 파이프라인의 효과성을 입증하였다.
• 훈련 단계에서 실제 DWI 스캔이 없더라도 진단적 관련성이 높은 DWI 정보를 성공적으로 활용하여 더 이른 시기의 정확한 분류가 가능해졌다.