[논문 리뷰] Learning Directional Feature Maps for Cardiac MRI Segmentation

Cheng Feng, Cheng Chen외 6명|arXiv (Cornell University)|2020. 07. 22.

Radiomics and Machine Learning in Medical Imaging참고 문헌 16인용 수 10

한 줄 요약

이 논문은 심장 MRI 분할을 위해 클래스 간 유사성과 클래스 내 비일관성 문제를 해결하기 위해 방향성 특징 맵을 학습하는 새로운 방법을 제안한다. 방향성 특징 맵을 모델링하기 위해 픽셀 간 경계 방향 관계를 표현하는 방향 필드(DF) 모듈과 분할 특징을 정밀화하기 위한 특징 보정 및 융합(FRF) 모듈을 도입하여, ACDC 및 자체 수집 데이터셋에서 최소한의 계산 오버헤드로 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Cardiac MRI segmentation plays a crucial role in clinical diagnosis for evaluating personalized cardiac performance parameters. Due to the indistinct boundaries and heterogeneous intensity distributions in the cardiac MRI, most existing methods still suffer from two aspects of challenges: inter-class indistinction and intra-class inconsistency. To tackle these two problems, we propose a novel method to exploit the directional feature maps, which can simultaneously strengthen the differences between classes and the similarities within classes. Specifically, we perform cardiac segmentation and learn a direction field pointing away from the nearest cardiac tissue boundary to each pixel via a direction field (DF) module. Based on the learned direction field, we then propose a feature rectification and fusion (FRF) module to improve the original segmentation features, and obtain the final segmentation. The proposed modules are simple yet effective and can be flexibly added to any existing segmentation network without excessively increasing time and space complexity. We evaluate the proposed method on the 2017 MICCAI Automated Cardiac Diagnosis Challenge (ACDC) dataset and a large-scale self-collected dataset, showing good segmentation performance and robust generalization ability of the proposed method.

연구 동기 및 목표

• 심장 MRI 분할에서 발생하는 클래스 간 유사성과 클래스 내 비일관성 문제를 해결하여 심장 근육 구조의 정확한 윤곽을 도출하고자 한다.
• 심장 MRI에서 흔히 발생하는 블러리된 경계와 강도 비균일성 상황에서도 분할의 강건성을 향상시키고자 한다.
• 기존 U-Net 아키텍처에 추가할 수 있는 경량이며 플러그인 방식의 모듈을 개발하여 계산 비용을 증가시키지 않도록 하고자 한다.
• 공간적 방향성 사전 지식을 통해 개선된 특징 표현을 통해 다양한 데이터셋 간의 일반화 능력을 향상시키고자 한다.
• 기존 최신 기술 대비 뛰어난 성능을 보이며 단순하면서도 효과적인 방법을 제공하고자 한다.

제안 방법

• 모든 픽셀에 대해 가장 가까운 심장 조직 경계에서 멀어지는 방향을 나타내는 벡터 필드를 예측하기 위해 종단 간(end-to-end)으로 학습되는 방향 필드(DF) 모듈을 도입한다.
• DF 모듈은 특징 맵에서 방향 필드를 회귀하기 위해 학습 가능한 네트워크 헤드를 사용하며, 지도 학습은 정답 분할 마스크에서 유도된다.
• 특징 보정 및 융합(FRF) 모듈은 예측된 방향 필드를 활용하여 방향성 집합을 통해 원본 분할 특징을 재가중 및 정밀화한다.
• FRF 모듈은 N단계 동안 방향 필드를 따라 유연한 메시지 전달 메커니즘을 사용하여 반복적인 특징 전파를 수행함으로써 공간 일관성을 향상시킨다.
• DF 및 FRF 모듈은 U-Net 인코더-디코더 이후에 삽입되어 아키텍처 변경을 최소화하면서도 플러그 앤 플레이 방식으로 통합 가능하다.
• 전체 프레임워크는 표준 교차 엔트로피 손실 및 DICE 손실을 사용하여 종단 간 학습되며, 방향 필드의 지도 학습은 경계 근접도에서 유도된다.

실험 결과

연구 질문

• RQ1 경계에서 멀어지는 방향 필드를 학습하는 것이 심장 MRI 분할 정확도 향상에 기여하는가?
• RQ2 방향성 특징 정밀화를 통합함으로써 조직 경계 근처의 클래스 간 유사성 문제를 줄일 수 있는가?
• RQ3 복잡한 아키텍처 재설계 없이도 내부 클래스 비일관성 문제를 완화할 수 있는가?
• RQ4 기본 U-Net 대비 제안된 방법이 다양한 데이터셋 간에서 일반화 성능이 뛰어나게 되는가?
• RQ5 성능과 효율성을 균형 잡기 위해 FRF 모듈의 최적의 전파 단계 수는 얼마인가?

주요 결과

• ACDC 데이터셋에서 제안된 방법은 평균 DICE 계수 0.916을 달성하여 기준 U-Net(0.886) 및 nnU-Net와 같은 최신 기술 대비 유의미하게 높은 성능을 보였다.
• 방향 필드 기반의 경계 정밀도 향상으로 평균 하우스도르프 거리가 U-Net의 23.009 mm에서 6.693 mm로 감소하여 뛰어난 경계 정렬 능력을 입증했다.
• 자체 수집 데이터셋에서 평균 DICE는 0.903에서 0.906으로 향상되었고, 평균 하우스도르프 거리는 3.155 mm에서 2.957 mm로 감소하였다.
• 다른 데이터셋 간 평가에서 ACDC에서 자체 수집 데이터셋으로의 전이 시 평균 DICE는 0.832에서 0.841로 향상되어 강력한 일반화 능력을 입증했다.
• 절단 실험 결과, FRF 모듈의 전파 단계 수 N=5가 가장 뛰어난 성능을 보였으며, DICE는 0.916, 하우스도르프 거리는 6.693 mm였다.
• ACDC 랭킹에서 3위를 기록하며, 3D U-Net 및 격자 기반 CNN과 같은 복잡한 모델들보다도 뛰어난 성능을 보였음에도 불구하고 간단한 구조를 유지했다.