[논문 리뷰] MONAIfbs: MONAI-based fetal brain MRI deep learning segmentation

Marta Bianca Maria Ranzini, Lucas Fidon외 3명|arXiv (Cornell University)|2021. 03. 21.

Fetal and Pediatric Neurological Disorders참고 문헌 2인용 수 21

한 줄 요약

이 논문은 선천성 천추증 환자에서 태반 뇌 MRI 분할을 위해 MONAI 프레임워크를 사용하는 단일 단계 2D UNet 기반 딥러닝 모델인 MONAIfbs를 제안한다. 다중 기관 데이터로 훈련된 이 모델은 이전의 이중 단계 파이프라인보다 뛰어난 성능을 보이며, 딱도 스코어 향상과 외곽선 최소화를 통해 수동 보정이 감소한다.

ABSTRACT

In fetal Magnetic Resonance Imaging, Super Resolution Reconstruction (SRR) algorithms are becoming popular tools to obtain high-resolution 3D volume reconstructions from low-resolution stacks of 2D slices, acquired at different orientations. To be effective, these algorithms often require accurate segmentation of the region of interest, such as the fetal brain in suspected pathological cases. In the case of Spina Bifida, Ebner, Wang et al. (NeuroImage, 2020) combined their SRR algorithm with a 2-step segmentation pipeline (2D localisation followed by a 2D segmentation network). However, if the localisation step fails, the second network is not able to recover a correct brain mask, thus requiring manual corrections for an effective SRR. In this work, we aim at improving the fetal brain segmentation for SRR in Spina Bifida. We hypothesise that a well-trained single-step UNet can achieve accurate performance, avoiding the need of a 2-step approach. We propose a new tool for fetal brain segmentation called MONAIfbs, which takes advantage of the Medical Open Network for Artificial Intelligence (MONAI) framework. Our network is based on the dynamic UNet (dynUNet), an adaptation of the nnU-Net framework. When compared to the original 2-step approach proposed in Ebner-Wang, and the same Ebner-Wang approach retrained with the expanded dataset available for this work, the dynUNet showed to achieve higher performance using a single step only. It also showed to reduce the number of outliers, as only 28 stacks obtained Dice score less than 0.9, compared to 68 for Ebner-Wang and 53 Ebner-Wang expanded. The proposed dynUNet model thus provides an improvement of the state-of-the-art fetal brain segmentation techniques, reducing the need for manual correction in automated SRR pipelines. Our code and our trained model are made publicly available at https://github.com/gift-surg/MONAIfbs.

연구 동기 및 목표

• 분할 국소화에 실패할 경우 성능이 저하되는 기존의 이중 단계 태반 뇌 분할 파이프라인의 한계를 해결하기 위해.
• 태반 뇌 MRI의 초해상도 재구성 파이프라인에서 수동 보정에 대한 의존도를 줄이기 위해.
• 두 개의 다른 임상 기관에서의 데이터로 훈련하여 도메인 이동에 대한 강건성을 향상시키기 위해.
• 정확한 태반 뇌 분할을 위한 단일 단계, 엔드 투 엔드 딥러닝 모델을 개발하기 위해.

제안 방법

• 최적의 구성(configuration)을 확보하기 위해 nnU-Net 히우리스틱 규칙에 기반해 MONAI 동적 UNet(dynUNet) 아키텍처를 수정하였다.
• Dice 손실과 교차 엔트로피 손실의 조합을 사용하여 [448, 512] 크기의 2D 패치에서 모델을 훈련시켰다.
• 최상의 모델 스냅샷을 선택하기 위해 주로 3D 딱도 스코어를 사용하여 3D 공간에서 모델을 검증하였다.
• 분할 마스크를 정제하기 위해 가장 큰 연결 성분을 선택하는 후처리를 적용하였다.
• 다중 기관 데이터셋으로 훈련: UZL(루벤)에서 604개 스택과 MUW(비엔나)에서 106개 스택을 사용하여 도메인 일반화 능력을 향상시켰다.
• 재현 가능성과 커뮤니티 활용을 위해 훈련된 모델과 코드를 GitHub를 통해 공개하였다.

실험 결과

연구 질문

• RQ1 선천성 천추증 환자에서 태반 뇌 분할에 대해 단일 단계 UNet 모델이 기존의 이중 단계 파이프라인을 능가할 수 있는가?
• RQ2 다중 기관 데이터로 훈련하면 태반 뇌 MRI 분할에서 도메인 이동에 대한 강건성이 향상되는가?
• RQ3 제안된 모델이 수동 보정이 필요한 분할 외곽선의 수를 얼마나 줄이는가?
• RQ4 MONAI 기반 구현이 최소한의 후처리로 최신 기술 수준의 성능을 달성할 수 있는가?

주요 결과

• 제안된 MONAIfbs 모델은 테스트 세트에서 원본 및 재훈련된 이중 단계 접근법보다 높은 3D 딱도 스코어를 달성하였다.
• 323개의 테스트 스택 중 딱도 스코어가 0.9 이하인 경우는 28개에 그쳤으며, 원본 Ebner-Wang 모델의 68개, 재훈련된 버전의 53개보다 적었다.
• 단일 단계 dynUNet 모델은 원본 이중 단계 파이프라인 대비 외곽선 수를 50퍼센트 이상 감소시켰다.
• 다중 기관 훈련 덕분에 기관 간 일반화 능력이 향상되어 도메인 이동에 대한 강건성이 입증되었다.
• 3D 검증과 3D 딱도 스코어를 선택 기준으로 사용함으로써 2D 단독 훈련 및 평가보다 더 우수한 일반화 성능을 보였다.
• 가장 큰 연결 성분 선택을 통한 후처리가 정확도를 훼손하지 않으면서도 소규모 비정상 세그먼트를 효과적으로 제거하였다.