[논문 리뷰] Joint brain tumor segmentation from multi MR sequences through a deep convolutional neural network

Farzaneh Dehghani, Alireza Karimian외 1명|arXiv (Cornell University)|2022. 03. 07.

Brain Tumor Detection and Classification인용 수 19

한 줄 요약

이 연구는 다중 MR 시퀀스(FLAIR, T1, T2, T1 강화)를 통합하여 뇌 종양 분할을 동시에 수행하기 위한 딥 컨volution 신경망을 제안한다. 다중 모odal 입력을 활용하여 정확도를 향상시키며, 특징 융합을 통해 최신 기술 수준의 성능을 달성한다. 추론 분석을 통해 가장 높은 분할 정확도를 얻을 수 있는 최적의 조합을 규명하였다.

ABSTRACT

Brain tumor segmentation is highly contributive in diagnosing and treatment planning. The manual brain tumor delineation is a time-consuming and tedious task and varies depending on the radiologists skill. Automated brain tumor segmentation is of high importance, and does not depend on either inter or intra-observation. The objective of this study is to automate the delineation of brain tumors from the FLAIR, T1 weighted, T2 weighted, and T1 weighted contrast-enhanced MR sequences through a deep learning approach, with a focus on determining which MR sequence alone or which combination thereof would lead to the highest accuracy therein.

연구 동기 및 목표

• 다중 대비 MRI에서 뇌 종양 분할을 자동화하여 수작업으로 이루어지는 분할 작업에 의존도를 낮추는 것.
• 각각의 MR 시퀀스(FLAIR, T1, T2, T1ce)가 분할 정확도에 기여하는 정도를 평가하는 것.
• 분할 성능을 최대화하기 위해 최적의 MR 시퀀스 조합을 도출하는 것.
• 다양한 MRI 대비에 걸쳐 동시 분할이 가능한 딥 러닝 프레임워크를 개발하는 것.
• 임상 치료 계획 수립 및 진단을 위한 강력하고 관찰자 간 영향을 받지 않는 솔루션을 제공하는 것.

제안 방법

• 분할 백본으로 U-Net 기반의 딥 컨volution 신경망을 사용한다.
• FLAIR, T1, T2, T1 강화 시퀀스의 다중 모달 MRI 특징을 네트워크의 초기 단계에서 결합하여 동시 특징 학습을 수행한다.
• 스킵 연결을 사용하여 공간적 세부 정보를 유지하고 학습 중 기울기 흐름을 향상시킨다.
• 분할 성능 최적화를 위해 이진 교차 엔트로피 손실과 DSC 손실을 조합하여 엔드 투 엔드로 네트워크를 학습시킨다.
• 각 시퀀스와 그 조합이 분할 정확도에 미치는 영향을 평가하기 위해 추론 분석을 수행한다.
• 제한된 의료 영상 데이터에서 과적합을 방지하고 일반화 능력을 향상시키기 위해 데이터 증강 기법을 적용한다.

실험 결과

연구 질문

• RQ1 어느 개별 MR 시퀀스가 뇌 종양 분할 정확도에 가장 크게 기여하는가?
• RQ2 분할 성능을 최대화하기 위해 최적의 MR 시퀀스 조합은 무엇인가?
• RQ3 단일 시퀀스 접근 방식과 비교해 복수 모달 특징 융합이 분할 정확도를 어떻게 향상시키는가?
• RQ4 제안된 딥 러닝 모델이 표준 기준 벤치마크 데이터셋에서 기존 최신 기술 수준의 방법들을 초월하는가?
• RQ5 모델은 다양한 종양 크기, 위치, 강도 변화에 대해 얼마나 강인한가?

주요 결과

• 모든 네 개의 MRI 시퀀스(FLAIR, T1, T2, T1ce)를 함께 사용할 때 가장 높은 DSC(Dice similarity coefficient)를 기록한다.
• FLAIR와 T1ce 시퀀스가 종양 경계 검출에 가장 크게 기여하며, 특히 강화 및 괴사 부위에서 두드러진다.
• T2 가중 영상의 포함은 부종 및 비강화 종양 성분의 검출을 향상시킨다.
• 추론 분석 결과, 단일 시퀀스만 사용할 경우 다중 모달 융합 대비 상당히 낮은 DSC를 기록함을 확인하였다.
• 단일 시퀀스로 학습된 베이스라인 모델 대비 제안된 방법이 더 뛰어난 성능을 보이며, 다양한 대비에 걸친 동시 학습의 이점을 입증하였다.
• 다양한 종양 유형과 위치에서 일관된 성능을 보이며 해부학적 변동성에 대해 강인함을 나타낸다.