[논문 리뷰] Multi-Scale Fully Convolutional Network for Cardiac Left Ventricle Segmentation

Han Sung Kang, Defeng Chen|arXiv (Cornell University)|2018. 09. 19.

Radiomics and Machine Learning in Medical Imaging참고 문헌 11인용 수 3

한 줄 요약

이 논문은 심장 좌심실 분할을 위한 다중 척도 완전 컨volution 네트워크인 MS-FCN을 제안한다. 이 네트워크는 강화된 문맥적 특징 추출을 위한 다중 척도 풀링 모듈과 경계 세부 사항을 개선하기 위한 밀집 연결 디코더를 통합한다. Sunnybrook cine-MR 데이터셋에서, 심내막에 대해 0.93, 심외막에 대해 0.96의 Dice 점수를 기록하여 최신 기술 수준의 성능을 달성한다.

ABSTRACT

The morphological structure of left ventricle segmented from cardiac magnetic resonance images can be used to calculate key clinical parameters, and it is of great significance to the accurate and efficient diagnosis of cardiovascular diseases. Compared with traditional methods, the segmentation algorithms based on fully convolutional neural network greatly improve the accuracy of semantic segmentation. For the problem of left ventricular segmentation, a new fully convolutional neural network structure named MS-FCN is proposed in this paper. The MS-FCN network employs a multi-scale pooling module to ensure that the network maximises the feature extraction ability and uses a dense connectivity decoder to refine the boundaries of the object. Based on the Sunnybrook cine-MR dataset provided by the MICCAI 2009 challenge, numerical experiments demonstrate that our proposed model has obtained state-of-the-art segmentation results: the Dice score of our method reaches 0.93 on the endocardium, and 0.96 on the epicardium.

연구 동기 및 목표

• 심장 MRI에서 정확하고 효율적인 좌심실 분할에 도전하는 것. 이는 심혈관 질환 진단에 매우 중요하다.
• 기존 수동 분할 방식의 한계를 극복하는 것. 이는 시간이 오래 걸리고 관찰자 간 변동성이 크다.
• 딥 러닝 기반 방법에서 특징 추출과 경계 정밀도 향상을 통해 의미 분할 성능을 향상시키는 것.
• 좌심실 분할 분야에서 기준이 되는 Sunnybrook cine-MR 데이터셋에서 최신 기술 수준의 성과를 달성하는 것.
• 완전 컨volution형 인코더-디코더 아키텍처에서 다중 척도 풀링과 밀집 연결의 효과를 검증하는 것.

제안 방법

• 네트워크는 15개의 연속된 3×3 컨볼루션 레이어와 인코더 단계에서의 3개의 다운샘플링 연산을 포함한 인코더-디코더 아키텍처를 사용한다.
• 표준 풀링 레이어 대신 다중 척도 풀링 모듈을 사용하며, 학습 가능한 파rameters를 가진 디컨볼루션 기반 업샘플링을 통해 공간적 세부 정보를 유지하고 문맥 표현을 강화한다.
• 디코더는 다수의 레이어에서의 특징 맵을 연결하는 밀집 연결 구조를 사용하여 기울기 흐름과 특징 재사용을 향상시켜 경계 정밀도를 높인다.
• 인코더와 디코더의 대응 레이어 사이에 스킵 커넥션을 통합하여 공간 정보를 유지하고 정확한 국소화를 지원한다.
• 각 컨볼루션 레이어 이후 배치 정규화와 ReLU 활성화 함수를 사용하여 학습의 안정성과 속도를 향상시킨다.
• 다중 척도 풀링 모듈에서 32개의 그룹 디컨볼루션을 사용하여 파라미터 수를 줄이면서도 성능을 유지한다.

실험 결과

연구 질문

• RQ1 학습 가능한 디컨볼루션 업샘플링을 갖춘 다중 척도 풀링 모듈이 고정 인터폴레이션 방식보다 좌심실 분할에서 특징 표현을 향상시키는가?
• RQ2 디코더에 밀집 연결 구조를 도입하면 표준 스킵 커넥션 대비 경계 정밀도를 크게 향상시키는가?
• RQ3 제안된 MS-FCN 아키텍처는 FCN 및 U-Net과 같은 기존 최신 기술 수준의 모델과 비교해 어떤가?
• RQ4 다양한 업샘플링 방법(이중선형, 디컨볼루션, 그룹 디컨볼루션)이 분할 정확도와 파라미터 효율성에 어떤 영향을 미치는가?
• RQ5 어느 해부학적 영역(예: 심첨부, 기저부, 또는 모호한 경계)에서 모델의 분할 성능에 한계가 있는가?

주요 결과

• 제안된 MS-FCN는 Sunnybrook 데이터셋에서 심내막에 대해 0.93 ± 0.02, 심외막에 대해 0.96 ± 0.01의 Dice 점수를 기록하여 이전의 완전 자동화된 방법들을 능가했다.
• 다중 척도 풀링 모듈에서 디컨볼루션을 사용함으로써 이중선형 인터폴레이션 대비 분할 성능이 향상되었으며, 그룹 디컨볼루션은 정확도를 유지하면서 파라미터를 줄였다.
• 밀집 연결 디코더는 심내막과 심외막에 대해 평균 정밀도 거리(APD)를 각각 1.61 mm로 줄여, FCN 및 U-Net보다 경계 정확도에서 뛰어난 성능을 보였다.
• 좋은 윤곽선 비율은 심내막에 대해 98.35%, 심외막에 대해 98.51%에 달하여 분할 결과의 높은 일관성과 신뢰성을 나타냈다.
• 절단 분석 결과, 다중 척도 풀링 모듈과 밀집 연결 구조가 성능 향상에 크게 기여했으며, 특히 경계 정밀도 향상에 기여했다.
• 모델는 이미지 대trast와 구조가 덜 뚜렷한 모호한 경계, 심첨부 및 기저부 영역에서 가장 어려움을 겪었다.