[논문 리뷰] Knee Injury Detection using MRI with Efficiently-Layered Network (ELNet)

Chen‐Han Tsai, Nahum Kiryati외 3명|arXiv (Cornell University)|2020. 05. 06.

Advanced Neural Network Applications참고 문헌 13인용 수 15

한 줄 요약

이 논문은 다중 슬라이스 정규화와 BlurPool를 사용하여 특징 추출을 향상시킨, 퇴행성 방사선 영상의 정렬을 위한 경량이며 엔드 투 엔드 컨볼루션 신경망인 ELNet를 제안한다. 단일 MRI 스택( axial 또는 coronal)을 사용하여 MRNet 데이터셋에서 최신 기술 수준의 성능을 달성하며, 전이 학습 기반 모델인 MRNet을 훨씬 뛰어나게 성능을 냈고, 국소화 지도 없이도 찌름 부위를 정확히 식별한다. 모델 크기는 1MB 미만으로 임상 적용에 매우 적합하다.

ABSTRACT

Magnetic Resonance Imaging (MRI) is a widely-accepted imaging technique for knee injury analysis. Its advantage of capturing knee structure in three dimensions makes it the ideal tool for radiologists to locate potential tears in the knee. In order to better confront the ever growing workload of musculoskeletal (MSK) radiologists, automated tools for patients' triage are becoming a real need, reducing delays in the reading of pathological cases. In this work, we present the Efficiently-Layered Network (ELNet), a convolutional neural network (CNN) architecture optimized for the task of initial knee MRI diagnosis for triage. Unlike past approaches, we train ELNet from scratch instead of using a transfer-learning approach. The proposed method is validated quantitatively and qualitatively, and compares favorably against state-of-the-art MRNet while using a single imaging stack (axial or coronal) as input. Additionally, we demonstrate our model's capability to locate tears in the knee despite the absence of localization information during training. Lastly, the proposed model is extremely lightweight ($

연구 동기 및 목표

• 근골격계 방사선 전문의의 증가하는 업무 부담을 해결하기 위해 무릎 MRI의 자동 정렬 시스템을 개발한다.
• 전이 학습 없이도 훈련할 수 있는 경량이며 효율적인 딥 러닝 모델을 개발한다.
• 단일 MRI 영상 스택( axial 또는 coronal)만을 사용하여 전두엽 인대 및 연골 찌름을 정확하게 탐지한다.
• 훈련 시 경계 상자 레이블이 필요 없이도 무릎 내 손상 부위를 정확히 국소화한다.
• 최소한의 계산 자원 소모로 실제 임상 환경에서의 구현에 적합한 모델을 설계한다.

제안 방법

• ELNet는 다중 슬라이스 정규화를 사용한 잔차 블록 기반의 새로운 백본 아키텍처를 사용하여 슬라이스 간 훈련 안정성을 향상시킨다.
• 공간적 다운샘플링 과정에서 앨리어싱을 줄이고 특징 품질을 유지하기 위해 최대 풀링 대신 BlurPool를 사용한다.
• 각 블록은 2D 컨볼루션, 다중 슬라이스 정규화, ReLU, 그리고 깊은 훈련을 가능하게 하는 스킵 연결로 구성된다.
• 네트워크는 각 MRI 슬라이스를 독립적으로 처리한 후, 슬라이스 간 1D 최대 풀링을 적용하여 특징을 하나의 16K차원 벡터로 통합한다.
• 최종적으로 드롭아웃과 소프트맥스를 적용한 완전 연결 층이 전두엽 인대 찌름, 연골 찌름, 이상 여부에 대한 이진 분류 출력을 생성한다.
• 교차 엔트로피 손실를 사용하고 Adam 최적화 기법을 적용하여 엔드 투 엔드로 처음부터 훈련한다.

실험 결과

연구 질문

• RQ1 전이 학습 기반 모델보다 처음부터 훈련된 딥 러닝 모델이 무릎 MRI 진단에서 더 뛰어난 성능을 낼 수 있는가?
• RQ2 다중 슬라이스 정규화는 배치 정규화보다 다중 슬라이스 MRI 분류에서 성능을 향상시키는가?
• RQ3 BlurPool는 최대 풀링 대비 무릎 MRI 분석에서 특징 표현력과 모델의 강인성을 향상시키는가?
• RQ4 국소화 지도 없이 훈련된 모델이 실제로 무릎의 찌름 부위를 정확히 국소화할 수 있는가?
• RQ5 단일 슬라이스 입력 모델이 MRNet처럼 다중 스택 모델과 비교해 유사한 성능을 낼 수 있는가?

주요 결과

• ELNet는 MRNet 데이터셋에서 연골 찌름에 대해 AUC 0.904, 전두엽 인대 찌름에 대해 0.960, 전반적인 이상에 대해 0.941의 ROC-AUC를 기록하여 원본 MRNet을 능가했다.
• 연골 찌름에 대해 맥스웰 상관계수(MCC) 0.745, 전두엽 인대 찌름에 대해 0.815, 이상에 대해 0.736를 기록하여 강력한 분류 성능를 입증했다.
• 다중 슬라이스 정규화와 BlurPool를 적용한 ELNet는 배치 정규화 또는 최대 풀링을 사용한 모든 아블레이션 변형보다 뛰어난 성능를 보였다.
• 9건의 전두엽 인대 찌름 사례 중 8건에서 ELNet는 가장 정보가 많은 슬라이스와 찌름 부위를 정확히 식별했으며, 방사선 전문의의 평가와 일치했다.
• 전두엽 인대 찌름이 없는 7건의 사례 전부에서 ELNet의 예측된 가장 정보가 많은 슬라이스와 부위가 방사선 전문의의 평가와 일치했다.
• 최종 모델 크기는 1MB 이하로, 계산 자원이 제한된 임상 환경에서의 구현에 매우 적합하다.