[논문 리뷰] Multi-Scale Convolutional-Stack Aggregation for Robust White Matter Hyperintensities Segmentation

Hongwei Li, Jianguo Zhang외 3명|arXiv (Cornell University)|2018. 07. 13.

Brain Tumor Detection and Classification참고 문헌 9인용 수 5

한 줄 요약

이 논문은 다중 척도 컨볼루션 스택 집합 네트워크를 제안하여 강건한 백질 초음성( WMH) 분할을 수행한다. 스택드 풀 컨볼루션 네트워크( Stack-Net)를 사용하여 작은 병변의 국소적 공간적 세부 정보를 유지하고, 다양한 수신장( receptive field)을 가진 여러 Stack-Nets를 집계하여 다중 척도적 맥락을 포착한다. 이 방법은 최첨단 성능을 달성하여 MICCAI WMH 챌린지 2017에서 1등을 차지했으며, 병변 탐지율은 4% 향상되고, 은폐된 테스트 세트에서 F1-스코어는 76.73%를 기록했다.

ABSTRACT

Segmentation of both large and small white matter hyperintensities/lesions in brain MR images is a challenging task which has drawn much attention in recent years. We propose a multi-scale aggregation model framework to deal with volume-varied lesions. Firstly, we present a specifically-designed network for small lesion segmentation called Stack-Net, in which multiple convolutional layers are connected, aiming to preserve rich local spatial information of small lesions before the sub-sampling layer. Secondly, we aggregate multi-scale Stack-Nets with different receptive fields to learn multi-scale contextual information of both large and small lesions. Our model is evaluated on recent MICCAI WMH Challenge Dataset and outperforms the state-of-the-art on lesion recall and lesion F1-score under 5-fold cross validation. In addition, we further test our pre-trained models on a Multiple Sclerosis lesion dataset with 30 subjects under cross-center evaluation. Results show that the aggregation model is effective in learning multi-scale spatial information.It claimed the first place on the hidden test set after independent evaluation by the challenge organizer. In addition, we further test our pre-trained models on a Multiple Sclerosis lesion dataset with 30 subjects under cross-center evaluation. Results show that the aggregation model is effective in learning multi-scale spatial information.

연구 동기 및 목표

• 뇌 MRI에서 크고 작은 백질 초음성을 동시에 분할하는 데 도전하는 문제를 다루며, 이는 공간 연속성이 낮아서 감지하기 어려운 특성 때문이다.
• 표준 풀 컨볼루션 네트워크에서 맥스 풀링으로 인해 손실되기 쉬운 작은 병변의 세밀한 국소적 공간 정보를 유지한다.
• 다양한 수신장을 가진 스택드 컨볼루션 레이어를 사용하여 다중 척도적 맥락적 특징을 학습함으로써 병변 탐지 성능을 향상시킨다.
• 다중 경화증 병변 데이터셋에서 병원 간 평가를 통해 다중 척도 집합의 효과를 검증한다.

제안 방법

• 작은 병변의 국소적 공간 세부 정보를 유지하기 위해, 각 서브샘플링 작업 이전에 다중 컨볼루션 레이어를 스택하는 Stack-Net을 제안한다.
• 에코더에서 디코더로 고해상도 특징을 전달하기 위해 U-Net과 유사한 스킵 연결을 사용하여 특징 재구성 성능을 향상시킨다.
• 각기 다른 Stack-Nets에 3×3 및 5×5 컨볼루션 커널을 사용하여, 각각 작은 병변의 국소적 세부 정보와 큰 병변의 전반적 맥락을 학습한다.
• 여러 Stack-Nets의 예측 결과를 투표 전략을 통해 집계한다: P_aggr = (1/n) × Σ P_i, 여기서 P_i는 모델 i로부터의 3D 확률 마스크이다.
• 개별 Stack-Nets를 별도로 훈련하고 추론 단계에서 출력을 결합하여 강건성과 일반화 능력을 향상시킨다.
• 집계된 확률 맵에 임계값을 적용하여 최종 이진 분할 마스크를 생성한다.

실험 결과

연구 질문

• RQ1 표준 단일 컨볼루션 레이어 인코더에 비해 스택드 컨볼루션 아키텍처가 작은 백질 초음성의 국소적 공간 정보를 더 잘 유지할 수 있는가?
• RQ2 다른 수신장을 가진 여러 Stack-Nets를 집계하면 작은 병변과 큰 병변 모두에 대해 분할 성능을 향상시킬 수 있는가?
• RQ3 제안된 다중 척도 집합 모델은 독립적인 다중 경화증 병변 데이터셋에서 병원 간 평가에 얼마나 효과적인가?
• RQ4 깊이 있는 컨볼루션 스택(예: 3–6층)을 사용할 경우 얕은 스택이나 단일 레이어에 비해 병변 탐지 성능이 향상되는가?
• RQ5 U-Net 앙상블과 같은 최첨단 방법에 비해 병변 탐지율과 F1-스코어 향상이 통계적으로 유의미한가?

주요 결과

• 다중 척도 집합 모델은 MICCAI WMH 챌린지 2017의 은폐된 테스트 세트에서 병변 탐지율 86.96%를 기록했으며, 이는 이전 최첨단 기술( U-Net 앙상블: 82.96%) 대비 4% 향상된 성과이다.
• 모델은 병변 F1-스코어 76.73%를 기록했으며, U-Net 앙상블(76.41%)을 능가하여 정밀도와 재현율 간의 균형이 뛰어나다.
• 3×3 커널을 사용한 Stack-Net은 개별 모델 중에서 가장 높은 병변 F1-스코어(77.29%)를 기록하여 작은 병변 탐지에서 뛰어난 성능을 보였다.
• 다중 경화증 병변 데이터셋에서 병원 간 평가를 수행한 결과, 집합 모델은 F1-스코어 49.57%를 기록했으며, 개별 모델(최고: 42.59%)과 U-Net 앙상블(42.41%)을 크게 앞서며 뛰어난 성능을 보였다.
• MS 데이터셋에서 모델는 도미네이션 시프트에도 불구하고 높은 딱시 스코어 76.93%를 유지하여 지표와의 겹침이 우수하다.
• 통계 분석을 통해 향상된 성능가 유의미한 것으로 확인되었으며(p < 0.01), 다중 척도 집합 접근 방식의 효과성을 검증했다.