[논문 리뷰] Global Deep Learning Methods for Multimodality Isointense Infant Brain Image Segmentation.

Zhengyang Wang, Na Zou외 2명|arXiv (Cornell University)|2018. 12. 10.

Advanced Neural Network Applications참고 문헌 42인용 수 5

한 줄 요약

이 논문은 등강도 영아 뇌 MRI 영상에서 뇌척수액(CSF), 회색질(GM), 백질(WM)으로의 볼륨 단위 분할을 향상시키기 위해 글로벌 어그리게이션 블록을 갖춘 3D U-Net 기반 딥러닝 모델을 제안한다. 업샘플링 과정에서의 정보 손실를 줄이고 전역적 맥락을 효과적으로 융합함으로써, 이 모델은 다중모odal 3D 영아 뇌 분할 데이터셋에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

An important step in early brain development study is to perform automatic segmentation of infant brain magnetic resonance (MR) images into cerebrospinal fluid (CSF), gray matter (GM) and white matter (WM) regions. This task is especially challenging in the isointense stage (approximately 6-8 months of age) when GM and WM exhibit similar levels of intensities in MR images. Deep learning has shown its great promise in various image segmentation tasks. However, existing models do not have an efficient and effective way to aggregate global information. They also suffer from information loss during up-sampling operations. In this work, we address these problems by proposing a global aggregation block, which can be flexibly used for global information fusion. We build a novel model based on 3D U-Net to make fast and accurate voxel-wise dense prediction. We perform thorough experiments, and results indicate that our model outperforms previous best models significantly on 3D multimodality isointense infant brain MR image segmentation.

연구 동기 및 목표

• 등강도 단계(6–8개월)에서 GM과 WM의 신호 강도가 유사하여 발생하는 영아 뇌 MRI 영상 분할 과제를 해결한다.
• 기존 딥러닝 모델들이 전역적 맥락 정보를 효과적으로 융합하지 못하는 한계를 극복한다.
• U-Net 아키텍처에서 흔히 발생하는 업샘플링 과정에서의 정보 손실를 줄인다.
• 3D 의료 영상 분할에서 효율적인 전역 특징 융합을 위한 유연한 글로벌 어그리게이션 블록을 개발한다.
• 이전 최신 기술 수준의 방법들에 비해 다중모달 3D 등강도 영아 뇌 MRI 영상에서 뛰어난 분할 정확도를 달성한다.

제안 방법

• 전체 특징맵의 공간적 및 채널 방향으로 특징을 집계하여 장거리 의존성을 포착하는 글로벌 어그리게이션 블록을 도입한다.
• 다양한 스케일에서 특징 표현을 향상시키기 위해 3D U-Net 아키텍처에 글로벌 어그리게이션 블록을 통합한다.
• 플러그 앤 플레이 방식으로 설계되어 기존의 U-Net 기반 모델에 쉽게 통합할 수 있도록 한다.
• 3D 컨볼루션 레이어와 스킵 커넥션을 사용하여 업샘플링 과정에서 공간 해상도를 유지하고 정보 손실를 줄인다.
• T1, T2, PD 등의 다중모달리티 MRI 영상으로 모델을 종합적으로 훈련시켜 등강도 영역에서 조직의 구분을 향상시킨다.
• 글로벌 어그리게이션 블록 내부에 공간적 및 채널 방향 주의 메커니즘을 적용하여 관련 특징에 집중한다.

실험 결과

연구 질문

• RQ1 장거리 특징 모델링을 향상시킴으로써 글로벌 어그리게이션 블록이 3D 다중모달 등강도 영아 뇌 MRI 영상의 분할 정확도를 향상시킬 수 있는가?
• RQ2 표준 U-Net 스킵 커넥션과 비교해 본다면, 제안된 글로벌 어그리게이션 블록이 업샘플링 과정에서 맥락 정보를 얼마나 잘 유지하는가?
• RQ3 강도가 거의 동일한 GM과 WM에서 글로벌 맥락의 통합이 조직의 구분을 어느 정도 향상시키는가?
• RQ4 제안된 모델이 등강도 영아 뇌 분할을 위한 벤치마크 데이터셋에서 기존 최신 기술 수준의 방법들을 초월하는가?
• RQ5 제한된 훈련 데이터를 가진 다양한 3D 의료 영상 분할 과제에 대해 글로벌 어그리게이션 블록의 일반화 능력은 어느 정도인가?

주요 결과

• 제안된 모델은 3D 다중모달 등강도 영아 뇌 MRI 영상 분할에서 이전 최신 기술 수준의 모델들보다 뚜렷한 성능 향상을 달성한다.
• 글로벌 어그리게이션 블록은 장거리 의존성을 효과적으로 포착하여 GM과 WM의 조직 경계를 명확히 한다.
• 강화된 스킵 커넥션을 통해 업샘플링 과정에서 고해상도 특징을 유지함으로써 정보 손실를 줄인다.
• 정량적 결과는 기준 모델들 대비 모든 조직 유형(CSF, GM, WM)에서 개선된 Dice 스코어를 보여준다.
• 아블레이션 스터디를 통해 글로벌 어그리게이션 블록이 분할 정확도 향상에 효과적임을 확인한다.
• 모델은 T1, T2, PD 등의 다양한 MRI 대비에 대해 잘 일반화되어 있어 모odal 변화에 대해 강건함을 보인다.