[논문 리뷰] Infant brain MRI segmentation with dilated convolution pyramid downsampling and self-attention

Zhihao Lei, Lin Qi외 2명|arXiv (Cornell University)|2019. 12. 29.

Neonatal and fetal brain pathology참고 문헌 13인용 수 5

한 줄 요약

이 논문은 유아 뇌 MRI 분할을 위한 3D-UNet 기반 이중 집계 네트워크를 제안하며, 공간 세부 정보를 유지하기 위해 확장 컨볼루션 피라미드 다운샘플링 모듈과 장거리 공간 및 채널 방향 의존성을 모델링하기 위한 자기주의 모듈을 통합한다. 이 방법은 최신 기술 수준의 성능을 달성하여 iSeg-2019 크로스데이터셋 챌린지에서 회백질 및 회색질의 Dice 점수에서 1위를 기록하고 뇌척수액에 대해 2위를 기록하였다.

ABSTRACT

In this paper, we propose a dual aggregation network to adaptively aggregate different information in infant brain MRI segmentation. More precisely, we added two modules based on 3D-UNet to better model information at different levels and locations. The dilated convolution pyramid downsampling module is mainly to solve the problem of loss of spatial information on the downsampling process, and it can effectively save details while reducing the resolution. The self-attention module can integrate the remote dependence on the feature maps in two dimensions of spatial and channel, effectively improving the representation ability and discriminating ability of the model. Our results are compared to the winners of iseg2017's first evaluation, the DICE ratio of WM and GM increased by 0.7%, and CSF is comparable.In the latest evaluation of the iseg-2019 cross-dataset challenge,we achieve the first place in the DICE of WM and GM, and the DICE of CSF is second.

연구 동기 및 목표

• 다운샘플링 과정에서 발생하는 공간 정보 손실 문제를 해결하여 유아 뇌 MRI 분할의 정확도를 향상시키기 위해.
• 공간 및 채널 차원을 넘는 장거리 의존성을 모델링하여 특징 표현을 향상시키기 위해.
• 다양한 유아 뇌 MRI 데이터셋에 대해 잘 일반화되는 견고한 분할 프레임워크를 개발하기 위해.
• iSeg-2017 및 iSeg-2019와 같은 벤치마크 데이터셋에서 기존 방법들을 초월하기 위해.
• 다양한 수준과 위치의 특징을 효과적으로 통합하는 이중 집계 메커니즘을 개발하기 위해.

제안 방법

• 에코더 내 표준 컨볼루션 레이어를 대체하기 위해 확장 컨볼루션 피라미드 다운샘플링 모듈을 도입하여 다운샘플링 과정에서 고해상도 공간 세부 정보를 유지한다.
• 증가하는 비율을 가진 확장 컨볼루션을 사용하여 해상도를 줄이지 않은 채 수감 범위를 확장함으로써 세밀한 구조적 정보를 유지한다.
• 스킵 연결에 자기주의 모듈을 추가하여 공간 및 채널 차원의 특징 맵을 동적으로 가중함으로써 장거리 특징 통합을 향상시킨다.
• 자기주의 기반 메커니즘은 특징 맵에서 쿼리, 키, 밸류 행렬을 계산하여 모델이 주목할 만한 영역과 의존성을 집중적으로 파악할 수 있도록 한다.
• 3D-UNet 백본을 기반으로 하며, 두 모듈을 각각 에코더와 스킵 연결에 통합하여 엔드 투 엔드 학습을 수행한다.
• 백색질, 회색질, 뇌척수액의 분할 성능 최적화를 위해 이진 교차 엔트로피 손실과 Dice 손실의 조합을 사용하여 모델을 학습시킨다.

실험 결과

연구 질문

• RQ1 확장 컨볼루션 피라미드가 3D MRI 분할에서 다운샘플링 과정 중 공간 정보 손실을 효과적으로 줄일 수 있는가?
• RQ2 자기주의가 유아 뇌 MRI 분할에서 특징 표현에 어느 정도 기여하는가?
• RQ3 피라미드 다운샘플링과 자기주의의 조합이 벤치마크 데이터셋에서 우수한 성능을 내는가?
• RQ4 제안된 방법은 iSeg-2019 크로스데이터셋 챌린지에서 최신 기술 수준의 모델들과 비교해 어떻게 성능을 내는가?
• RQ5 모델은 다양한 유아 뇌 MRI 촬영 프로토콜과 해부학적 변형에 대해 잘 일반화되는가?

주요 결과

• 제안된 방법은 iSeg2017 1위 수상자 대비 회백질 및 회색질의 Dice 점수에서 0.7% 향상된 성과를 기록하였다.
• iSeg-2019 크로스데이터셋 챌린지에서 회백질 및 회색질 분할의 Dice 점수에서 1위를 기록하였다.
• iSeg-2019 챌린지에서 뇌척수액 분할의 Dice 점수에서 2위를 기록하였다.
• 확장 컨볼루션 피라미드가 다운샘플링 과정에서 공간 세부 정보를 효과적으로 유지하여 해상도 관련 정보 손실을 줄였다.
• 자기주의 모듈이 특징 맵 내 장거리 의존성을 포착하는 데 모델의 능력을 크게 향상시켰다.
• 이중 집계 설계가 복잡하고 저대비 영역에서의 특징 표현 및 구분 능력을 향상시켜 특히 중요한 기여를 하였다.