[논문 리뷰] Isointense infant brain MRI segmentation with a dilated convolutional neural network

Pim Moeskops, Josien P. W. Pluim|arXiv (Cornell University)|2017. 08. 09.

Advanced Neural Network Applications참고 문헌 7인용 수 9

한 줄 요약

이 연구는 저조도 대비의 6개월 된 유아 뇌 MRI 스캔에서 백질, 회색질 및 뇌척수액을 분할하기 위해 확장된 삼면 2D CNN과 비확장된 3D CNN을 조합한 하이브리드 딥 러닝 방법을 제안한다. 검증 세트에서 높은 딥 스코어(백질 평균 0.874, 회색질 평균 0.877, 뇌척수액 평균 0.932)를 달성하여, 다중 평면적 맥락과 3D 부피 모델링을 활용함으로써 공유 가중치 삼면 네트워크보다 뛰어난 성능을 보였다.

ABSTRACT

Quantitative analysis of brain MRI at the age of 6 months is difficult because of the limited contrast between white matter and gray matter. In this study, we use a dilated triplanar convolutional neural network in combination with a non-dilated 3D convolutional neural network for the segmentation of white matter, gray matter and cerebrospinal fluid in infant brain MR images, as provided by the MICCAI grand challenge on 6-month infant brain MRI segmentation.

연구 동기 및 목표

• 6개월 된 유아 뇌 MRI 스캔에서 백질과 회색질 간의 낮은 조직 대비 문제를 해결한다.
• 초기 신경발달 단계에서 T1/T2 대비가 제한된 상황에서도 정확한 분할이 가능한 딥 러닝 방법을 개발한다.
• 확장된 컨볼루션과 삼면 특징 추출이 유아 뇌 MRI에서 다중 척도 공간 맥락을 포착하는 데 효과적인지 조사한다.
• 삼면 확장 네트워크와 비확장 3D CNN을 조합함으로써 부피 분할 성능 향상 여부를 평가한다.
• MICCAI 6개월 유아 뇌 MRI 분할 도전 대회 데이터셋에서의 강인성과 일반화 능력을 고려한 네트워크 아키텍처 최적화를 수행한다.

제안 방법

• 축, 관절, 경사면 평면에서 증가하는 확장 인자(1, 2, 4, 8, 16)를 가진 확장 삼면 CNN을 사용하여 파rameter 수를 늘리지 않고 수용 영역을 확장한다.
• 세 개의 삼면 브랜치 각각에 대해 별도의 가중치를 사용하여 평면별 특징을 독립적으로 학습할 수 있도록 한다.
• 3D 컨볼루션을 사용하여 부피 맥락과 슬라이스 간 공간적 의존성을 모델링하는 비확장 3D CNN 브랜치를 통합한다.
• 최종 1×1×1 분류 레이어 이전에 네 개의 브랜치(세 개의 삼면, 하나의 3D)의 특징 맵을 연결한다.
• 배치 정규화와 ReLU 활성화 함수를 전반적으로 적용하고, 최종 레이어 이전에 드롭아웃을 적용하여 과적합을 방지한다.
• 200~300개 샘플의 미니배치를 사용하여 Adam 옵timizer와 교차 엔트로피 손실 함수를 활용해 10 에포크 동안 완전 컨볼루션 네트워크를 훈련시킨다.

실험 결과

연구 질문

• RQ1 확장 삼면 CNN이 저대비 유아 뇌 MRI에서 다중 척도 공간 맥락을 효과적으로 포착하여 분할 성능을 향상시킬 수 있는가?
• RQ2 각 삼면 브랜치에 대해 별도의 가중치를 사용할 경우 공유 가중치 대비 분할 정확도가 향상되는가?
• RQ3 비확장 3D CNN 브랜치의 추가로 3D 부피 관계를 모델링함으로써 성능 향상이 이루어지는가?
• RQ4 제안된 하이브리드 아키텍처는 MICCAI 6개월 유아 뇌 MRI 분할 벤치마크에서 표준 2D 또는 3D CNN과 비교해 어떻게 성능을 냅니다?
• RQ5 낮은 조직 대비를 가진 이sovolumetric 유아 뇌 MRI에서 백질, 회색질, 뇌척수액을 분할하기 위한 최적의 네트워크 구성은 무엇인가?

주요 결과

• 별도의 가중치를 가진 삼면 네트워크는 검증 세트에서 백질 평균 딥 스코어 0.868, 회색질 평균 0.871, 뇌척수액 평균 0.908을 달성했다.
• 삼면과 3D 네트워크를 조합한 아키텍처는 최고의 성능을 보였으며, 백질 평균 딥 스코어 0.874, 회색질 평균 0.877, 뇌척수액 평균 0.932를 기록했다.
• 비확장 3D CNN 브랜치의 포함으로 분할 정확도가 크게 향상되었으며, 특히 뇌척수액의 경우 한 검증 이미지에서 딥 스코어 0.948을 달성했다.
• 이 방법은 일반화 능력이 뛰어나 테스트 세트에서도 높은 성능을 보였으며, 결과는 MICCAI 그랜드 챌린지 웹사이트에 공개되었다.
• 완전 컨볼루션 설계 덕분에 임의의 크기의 입력에 대해 추론이 가능했고, NVIDIA Titan X Pascal GPU에서 전체 이미지의 분할에 약 1분이 소요되었다.