[논문 리뷰] Knowing what you know in brain segmentation using deep neural networks.

Patrick McClure, Nao Rho외 8명|arXiv (Cornell University)|2018. 12. 03.

Medical Image Segmentation Techniques참고 문헌 53인용 수 3

한 줄 요약

이 논문은 구조적 MRI 스캔의 빠르고 정확한 뇌 분할을 분석하는 데 1분 내외로 수행할 수 있는 스파이크 앤 스랩 드롭아웃 기반 베이지안 딥 뉴럴 네트워크(DNN)를 제안한다. 이 방법은 이전의 접근 방식보다 우수한 성능을 보이며, FreeSurfer 레이블과 매우 유사한 분할 예측을 생성하고, 개인별 오류와 전체 스캔 품질 제어 평가를 예측할 수 있는 신뢰할 수 있는 병렬체적 불확실성 추정치를 제공한다.

ABSTRACT

In this paper, we describe a Bayesian deep neural network (DNN) for predicting FreeSurfer segmentations of structural MRI volumes, in minutes rather than hours. The network was trained and evaluated on a large dataset (n = 11,480), obtained by combining data from more than a hundred different sites, and also evaluated on another completely held-out dataset (n = 418). The network was trained using a novel spike-and-slab dropout-based variational inference approach. We show that, on these datasets, the proposed Bayesian DNN outperforms previously proposed methods, in terms of the similarity between the segmentation predictions and the FreeSurfer labels, and the usefulness of the estimate uncertainty of these predictions. In particular, we demonstrated that the prediction uncertainty of this network at each voxel is a good indicator of whether the network has made an error and that the uncertainty across the whole brain can predict the manual quality control ratings of a scan. The proposed Bayesian DNN method should be applicable to any new network architecture for addressing the segmentation problem.

연구 동기 및 목표

• 구조적 MRI 스캔의 빠르고 정확한 딥 러닝 기반 뇌 분할 방법을 개발하는 것.
• 분할 오류를 식별하기 위해 병렬체적 수준에서 예측 불확실성 추정을 수행하는 것.
• 뇌 전체의 불확실성 정보를 활용해 MRI 스캔의 수동 품질 제어 평가를 예측하는 것.
• 모든 새로운 네트워크 아키텍처에 적용 가능한 일반화 가능한 프레임워크를 구축하는 것.

제안 방법

• 이 방법은 새로운 스파이크 앤 스랩 드롭아웃 기반 베이지안 추론 기반의 변분 추론을 사용해 훈련된 베이지안 DNN를 활용한다.
• 스파이크 앤 스랩 드롭아웃은 훈련 중에 구조적이고 희박한 정규화를 가능하게 하여 불확실성 추정 성능을 향상시킨다.
• 네트워크는 11,480개의 MRI 볼륨으로 구성된 다중 기관 데이터셋에서 훈련되고, 418개의 스캔으로 구성된 별도의 검증 데이터셋에서 평가된다.
• 예측 불확실성은 병렬체별로 계산되고 뇌 전체에 걸쳐 집계되어 품질 평가에 활용된다.
• 딥 러닝을 활용해 수시간이 걸리던 추론 시간을 분 단위로 단축시켰다.
• 이 프레임워크는 향후 새로운 분할 네트워크 아키텍처에 쉽게 확장 가능하도록 설계되었다.

실험 결과

연구 질문

• RQ1 스파이크 앤 스랩 드롭아웃 기반 베이지안 DNN는 기존 방법보다 더 빠르고 정확한 뇌 분할을 달성할 수 있는가?
• RQ2 병렬체적 예측 불확실성은 분할 오류를 신뢰성 있게 나타내는가?
• RQ3 전뇌 불확실성은 MRI 스캔의 수동 품질 제어 평가를 예측할 수 있는가?
• RQ4 제안된 방법은 다양한 네트워크 아키텍처에 대해 일반화 가능한가?

주요 결과

• 스파이크 앤 스랩 드롭아웃 기반의 베이지안 DNN는 훈련 데이터셋과 별도의 검증 데이터셋 모두에서 이전 방법보다 FreeSurfer 레이블과 더 높은 유사도를 보였다.
• 병렬체적 예측 불확실성은 분할 오류를 강력한 지표로 나타내었으며, 잘못된 예측를 탐지하는 데 높은 진성 양성률을 보였다.
• 전뇌 불확실성 추정치는 수동 품질 제어 평가와 유의미하게 상관관계가 있었고, 자동 스캔 품질 평가가 가능함을 시사했다.
• 이 방법은 정확도와 불확실성 신뢰성은 유지하면서 추론 시간을 수시간에서 분 단위로 단축시켰다.
• 스파이크 앤 스랩 드롭아웃 기반의 변분 추론은 분할 성능에 손상 없이 불확실성 캘리브레이션을 향상시켰다.
• 이 방법은 다른 새로운 딥 러닝 아키텍처에 적용 가능하며, 뇌 MRI 분할 작업에 대해 이식 가능하고 적용 가능하다.