[논문 리뷰] Geometric Convolutional Neural Network for Analyzing Surface-Based Neuroimaging Data

Si-Baek Seong, Chongwon Pae외 1명|arXiv (Cornell University)|2017. 08. 02.

Medical Image Segmentation Techniques참고 문헌 4인용 수 3

한 줄 요약

이 논문은 비정규 구면 메시(예:皮質 두께 지도 포함) 위에서 표면 기반 뇌 영상 데이터를 분석하기 위해 설계된 새로운 딥러닝 프레임워크인 기하학적 컨volution 신경망(gCNN)을 제안한다. 다중 셸 메시 구조와 기하학적 컨볼루션을 활용함으로써, gCNN은 단지 MRI 두께 데이터만을 사용함에도 불구하고 기존의 SVM 및 표준 이미지 기반 CNN보다 유의미하게 높은 성별 분류 정확도를 달성하였으며, 이는 MRI 및 fMRI 데이터로부터 질병 분류 가능성을 보여준다.

ABSTRACT

The conventional CNN, widely used for two-dimensional images, however, is not directly applicable to non-regular geometric surface, such as a cortical thickness. We propose Geometric CNN (gCNN) that deals with data representation over a spherical surface and renders pattern recognition in a multi-shell mesh structure. The classification accuracy for sex was significantly higher than that of SVM and image based CNN. It only uses MRI thickness data to classify gender but this method can expand to classify disease from other MRI or fMRI data

연구 동기 및 목표

• 표준 CNN이 피질 두께 지도와 같은 비정규 기하 표면을 다루는 데에 한계가 있다는 문제를 해결하기 위해.
• 구면 메시 기반 뇌 영상 데이터에서 패턴 인식이 가능한 딥러닝 프레임워크를 개발하기 위해.
• 단지 피질 두께 데이터만을 사용하여 뇌 영상 작업의 분류 정확도를 향상시키기 위해.
• 이 방법을 MRI 및 fMRI 데이터로부터 질병 분류에 응용할 수 있도록 확장 가능하게 하기 위해.

제안 방법

• gCNN는 구면 표면 위의 데이터에 특화된 기하학적 컨볼루션을 사용하여 위상적 구조를 유지한다.
• 모델은 피질 표면의 계층적 특징을 캡처하기 위해 다중 셸 메시 표현 방식을 사용한다.
• 기하학적 컨볼루션은 메시 상의 국소 이웃을 기반으로 정의되어, 비정규 영역에서 공간 불변성과 특징 학습이 가능하다.
• 네트워크 아키텍처는 구면 기하학에 적합하게 조정된 풀링 및 비선형 활성화 함수를 통합한다.
• 훈련은 메시 기반 표현에서 표준 역전파 알고리즘을 사용해 엔드 투 엔드로 수행된다.
• 모델은 T1-가중 MRI에서 유도된 단지 피질 두께 지도만을 사용하여 성별 분류에 대해 평가되었다.

실험 결과

연구 질문

• RQ1 비정규 구면 표면(예: 피질 두께 지도) 위에서 작동하는 딥러닝 모델이 뇌 영상 데이터를 효과적으로 분류할 수 있는가?
• RQ2 gCNN의 성능은 표면 기반 뇌 영상 데이터에서 기존의 SVM 및 표준 2D CNN과 비교해 어떻게 되는가?
• RQ3 gCNN는 추가적인 영상 대조 없이도 단지 피질 두께 데이터만으로도 높은 분류 정확도를 달성할 수 있는가?
• RQ4 gCNN는 MRI 또는 fMRI 데이터로부터 신경질환을 분류하는 데 얼마나 일반화될 수 있는가?

주요 결과

• gCNN는 SVM 및 이미지 기반 CNN보다 성별 예측에 있어 유의미하게 높은 분류 정확도를 달성하였다.
• 모델는 T1-가중 MRI 스캔에서 유도된 단지 피질 두께 데이터를 사용함에도 불구하고 뛰어난 성능을 보였다.
• 모델의 기하학적 컨볼루션은 비정규 구면 표면에서 공간 패턴을 효과적으로 포착하였다.
• gCNN의 아키텍처는 fMRI 및 구조적 MRI와 같은 다른 뇌 영상 모odalities로의 확장이 가능하여 질병 분류에 활용될 수 있다.
• 결과적으로 기하학적 딥러닝은 복잡한 표면 기반 뇌 영상 데이터를 분석하는 데 있어 유망한 접근법임을 시사한다.
• 이 프레임워크는 뇌 영상 분석에서 더 정확하고 토폴로지 인식 능력을 갖춘 모델 개발의 기반을 제공한다.