[논문 리뷰] Multi-step Cascaded Networks for Brain Tumor Segmentation

Xiangyu Li, Gongning Luo외 1명|arXiv (Cornell University)|2019. 08. 16.

Brain Tumor Detection and Classification참고 문헌 11인용 수 5

한 줄 요약

이 논문은 뇌 종양의 전체 종양, 종양 핵심, 강화 종양을 굵기에서 세밀한 방식으로 분할하는 다단계 계열형 3D U-Net 아키텍처를 제안한다. 이는 이전 예측과 깊은 감독을 활용하여 정확도를 향상시킨다. BraTS 2019 검증 세트에서, 전체 종양, 종양 핵심, 강화 종양에 대해 각각 평균 Dice 점수 0.886, 0.813, 0.771을 달 đạt하였다.

ABSTRACT

Automatic brain tumor segmentation method plays an extremely important role in the whole process of brain tumor diagnosis and treatment. In this paper, we propose a multi-step cascaded network which takes the hierarchical topology of the brain tumor substructures into consideration and segments the substructures from coarse to fine .During segmentation, the result of the former step is utilized as the prior information for the next step to guide the finer segmentation process. The whole network is trained in an end-to-end fashion. Besides, to alleviate the gradient vanishing issue and reduce overfitting, we added several auxiliary outputs as a kind of deep supervision for each step and introduced several data augmentation strategies, respectively, which proved to be quite efficient for brain tumor segmentation. Lastly, focal loss is utilized to solve the problem of remarkably imbalance of the tumor regions and background. Our model is tested on the BraTS 2019 validation dataset, the preliminary results of mean dice coefficients are 0.886, 0.813, 0.771 for the whole tumor, tumor core and enhancing tumor respectively. Code is available at https://github.com/JohnleeHIT/Brats2019

연구 동기 및 목표

• MRI 영상에서 복잡하고 계층적인 뇌 종양 하위 구조를 정확하게 분할하는 과제를 해결하기 위해.
• 깊은 감독과 데이터 증강을 통해 3D U-Net 학습 중 과적합과 기울기 소실을 줄이기 위해.
• 종양 하위 구조의 계층적 구조(전체 종양 → 종양 핵심 → 강화 종양)를 모델링하여 분할 성능을 향상시키기 위해.
• 각 단계에서 모odal별 입력을 사용하여 임상 수작업 분할 기준과 일치성을 유지하기 위해.
• N4 비편향 필드 보정, 정규화, 그리고 증강을 적용한 패치 기반 학습을 통해 제한된 의료 영상 데이터에서 일반화 능력을 향상시키기 위해.

제안 방법

• 전체 종양(WT) → 종양 핵심(TC) → 강화 종양(ET)의 굵기에서 세밀한 순서로 종양 하위 구조를 처리하는 다단계 계열형 3D U-Net 아키텍처를 사용한다.
• 모달별 입력을 사용한다: WT에는 FLAIR와 T1ce, TC와 ET에는 T1ce를 사용하여 임상 분할 기준과의 일치를 확보한다.
• 스킵 연결과 U-Net 인코더-디코더 구조를 통합하여 공간적 맥락을 유지하고 엔드 투 엔드 학습을 가능하게 한다.
• 각 단계에서 보조 출력을 통해 깊은 감독을 적용하여 학습 안정성과 기울기 소실 억제를 도모한다.
• 자르기 전 3D 패치에 대해 데이터 증강(예: 회전, 뒤집기, 강도 변형)을 적용하여 과적합을 줄인다.
• 클래스 불균형 문제를 해결하기 위해 포지티브 및 배경 영역 간의 불균형을 고려하여 포칼 손실을 적용하여 희귀하거나 작은 종양 하위 구조의 분할 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 단일 단계 모델에 비해 굵기에서 세밀한 계열형 접근 방식이 계층적인 뇌 종양 하위 구조의 분할 정확도를 향상시키는가?
• RQ2 깊은 감독이 3D 의료 영상 분할에서 기울기 소실과 과적합을 얼마나 효과적으로 완화하는가?
• RQ3 각 단계에서 모달별 입력 선택이 임상 분할 표준과의 일치도를 얼마나 향상시키는가?
• RQ4 제한된 BraTS 2019 데이터로 학습할 때 데이터 증강이 일반화 능력을 얼마나 향상시키는가?
• RQ5 포칼 손실이 불균형한 종양 분할 작업에서 성능에 어떤 영향을 미치는가?

주요 결과

• 모델은 BraTS 2019 검증 세트에서 전체 종양(WT) 하위 구조에 대해 평균 Dice 계수 0.886을 달달하였다.
• 종양 핵심(TC) 하위 구조는 평균 Dice 점수 0.813을 기록하여 더 복잡한 분할 작업에서 강력한 성능을 보였다.
• 강화 종양(ET) 하위 구조는 평균 Dice 점수 0.771을 기록하여 크기가 작고 대비가 낮아 가장 어려운 분할 과제임을 반영하였다.
• TC의 Dice 점수 변동성이 ET보다 더 높았는데, 이는 WT를 TC로 잘못 분류하는 것이 일반적인 실패 원인임을 시사하며, 특히 LGG 사례에서 두드러졌다.
• 대부분의 지표에서 검증 세트 성능이 훈련 세트 성능보다 높게 나타나, 데이터 증강과 깊은 감독에도 불구하고 약간의 과적합이 존재하는 것으로 나타났다.
• 커리큘럼 학습과 계열형 단계의 가중치 학습이 성능 향상에 기여하지 않았으며, 이는 이 아키텍처에 대해 엔드 투 엔드 학습이 더 효과적임을 시사한다.