[논문 리뷰] IntrA: 3D Intracranial Aneurysm Dataset for Deep Learning

Xi Yang, Ding Xia외 2명|arXiv (Cornell University)|2020. 03. 02.

3D Shape Modeling and Analysis참고 문헌 48인용 수 6

한 줄 요약

이 논문은 복잡하고 비정형적인 뇌내 동맥류 기하학에서 우수한 성능을 보이는 점 기반 및 메시 기반 모델의 성능을 입증하기 위해, 다양한 메시로 표시된 동맥류 세그먼트, 건강한 혈관 및 완전한 뇌 혈관 모델를 포함하는 오픈 액세스 3D 뇌내 동맥류 데이터셋인 IntrA를 소개한다. 이 연구는 최신의 점 기반, 메시 기반, 볼록체 기반 네트워크를 벤치마킹하여, 복잡하고 비정형적인 동맥류 기하학에서 점 모델과 메시 모델의 우수한 성능을 입증한다.

ABSTRACT

Medicine is an important application area for deep learning models. Research in this field is a combination of medical expertise and data science knowledge. In this paper, instead of 2D medical images, we introduce an open-access 3D intracranial aneurysm dataset, IntrA, that makes the application of points-based and mesh-based classification and segmentation models available. Our dataset can be used to diagnose intracranial aneurysms and to extract the neck for a clipping operation in medicine and other areas of deep learning, such as normal estimation and surface reconstruction. We provide a large-scale benchmark of classification and part segmentation by testing state-of-the-art networks. We also discuss the performance of each method and demonstrate the challenges of our dataset. The published dataset can be accessed here: https://github.com/intra3d2019/IntrA.

연구 동기 및 목표

• 딥러닝 연구에서 뇌내 동맥류를 위한 대규모 오픈 액세스 3D 의료 데이터셋의 부족을 해결하기 위해.
• 실제 환자로부터 유래한 3D 동맥류 메시와 전문가 애너테이션을 사용하여 3D 기하학적 딥러닝 모델의 벤치마크를 제공하기 위해.
• 완전한 혈관 모델에서 3D 동맥류 세그먼트를 생성하고 애너테이션하는 데 사용할 수 있는 도구와 데이터 처리 파이프라인을 개발하기 위해.
• 최신의 3D 딥러닝 모델(점 기반, 메시 기반, 볼록체 기반)이 임상적으로 관련성이 있는 3D 동맥류 세그먼테이션 및 분류 작업에서 어떻게 성능을 발휘하는지 평가하고 비교하기 위해.
• 특히 비정형적이고 복잡한 형태의 동맥류에 대해 세그먼테이션 과제에서 발생하는 과제를 규명하고 향후 모델 개발을 안내하기 위해.

제안 방법

• 데이터셋은 전문가가 애너테이션을 한 116개의 3D 동맥류 세그먼트, 자동으로 생성된 1,909개의 혈관 세그먼트(동맥류 유무 상관없이), 그리고 103개의 완전한 뇌 혈관 모델로 구성되어 있다.
• 모든 동맥류 및 혈관 세그먼트는 기하학적 정밀도를 유지하고 표면 기반 학습을 지원하기 위해 메시 기반으로 표현되어 있다.
• 세분화 및 추출 기법을 사용하여 완전한 혈관 모델에서 3D 동맥류 세그먼트를 생성하는 맞춤형 데이터 처리 파이프라인을 개발하였다.
• 3D 메시 표면에서 동맥류 및 건강한 혈관 부분을 정확하게 레이블링할 수 있도록 상호작용식 애너테이션 도구를 개발하였다.
• 5겹 교차검증을 사용하여 분류 및 부분 세그먼테이션 작업에서 최신의 10개의 3D 딥러닝 모델을 평가하였다.
• 성능은 DSC(Dice Similarity Coefficient)와 IoU(Intersection over Union)로 측정되었으며, 95% 신뢰구간이 보고되었다.

실험 결과

연구 질문

• RQ1 점 기반, 메시 기반, 볼록체 기반의 다양한 3D 딥러닝 아키텍처가 복잡하고 비정형적인 뇌내 동맥류를 분류하고 세그먼트하는 데 어떻게 성능을 발휘하는가?
• RQ2 다양한 형태, 크기, 분지 패턴을 가진 3D 동맥류 세그먼테이션에서 발생하는 주요 과제는 무엇인가?
• RQ3 실제 환자로부터 유래한 3D 혈관 메시에서 메시 기반 및 점 기반 모델이 볼록체 기반 모델보다 더 잘 일반화되는가?
• RQ4 입력 해상도 또는 점 수가 다양한 네트워크 유형에서 세그먼테이션 정확도와 내성에 어떤 영향을 미치는가?
• RQ5 접속성과 지오데식 거리와 같은 기하학적 정보가 비정형적인 3D 동맥류 표면에서 세그먼테이션 성능 향상에 어떤 역할을 하는가?

주요 결과

• 점 기반 모델(예: PointNet, PointCNN)은 높은 분류 정확도를 기록하였으며, PointCNN는 2,048개의 입력 점에서 93.59%의 정확도를 달성하였다.
• 메시 기반 모델(예: MeshCNN)은 부분 세그먼테이션에서 뛰어난 성능을 보였으며, 동맥류 부분의 DSC는 81.22–89.64%이며, 건강한 혈관 부분의 DSC는 46.53–64.73%였다.
• 볼록체 기반 모델(예: SSCN-F, SSCN-U)은 낮은 세그먼테이션 성능을 보였으며, 동맥류 부분의 DSC는 83.48–87.00%였고, 건강한 혈관 부분의 DSC는 40.64–48.54%였다.
• PointGrid는 볼록체-그리드 하이브리드 모델로, 가장 열악한 성능을 보였으며, 동맥류 부분의 DSC는 76% 이하, 건강한 혈관 부분의 DSC는 40% 이하였다.
• 가장 뛰어난 성능을 보인 모델인 PointCNN(2,048점)은 동맥류 부분의 DSC가 95.43% (95% CI: 71.39–91.33%)였고, 건강한 혈관 부분의 DSC는 81.36% (95% CI: 71.88–91.59%)였다.
• 결과는 점 및 메시 기반 모델이 특히 미세한 세그먼테이션에 있어 비균일한 3D 동맥류 기하학에서 볼록체 기반 모델보다 더 잘 일반화된다는 것을 시사한다.