[논문 리뷰] Multi-stream 3D FCN with Multi-scale Deep Supervision for Multi-modality Isointense Infant Brain MR Image Segmentation

Guodong Zeng, Guoyan Zheng|arXiv (Cornell University)|2017. 11. 28.

Advanced Neural Network Applications참고 문헌 20인용 수 3

한 줄 요약

이 논문은 다중 모odal리티의 등등성 영아 뇌 MRI 영상을 CSF, GM, WM으로 분할하기 위해 다중 스트림 3D 완전 컨volution 네트워크를 제안하며, 다중 척도의 깊이 감독과 맥락 가이던스를 통합한다. 이 방법은 iSeg-2017 테스트 세트에서 CSF에 대해 95.4%의 Dice 스코어, GM에 대해 91.6%, WM에 대해 89.6%를 기록하여, 6개월 된 영아에서 낮은 조직 대비를 가진 경우에도 강건한 성능을 보여준다.

ABSTRACT

We present a method to address the challenging problem of segmentation of multi-modality isointense infant brain MR images into white matter (WM), gray matter (GM), and cerebrospinal fluid (CSF). Our method is based on context-guided, multi-stream fully convolutional networks (FCN), which after training, can directly map a whole volumetric data to its volume-wise labels. In order to alleviate the poten-tial gradient vanishing problem during training, we designed multi-scale deep supervision. Furthermore, context infor-mation was used to further improve the performance of our method. Validated on the test data of the MICCAI 2017 Grand Challenge on 6-month infant brain MRI segmentation (iSeg-2017), our method achieved an average Dice Overlap Coefficient of 95.4%, 91.6% and 89.6% for CSF, GM and WM, respectively.

연구 동기 및 목표

• T1 및 T2 대비가 아직 진행 중인 마이엘린 형성으로 인해 조직 대비가 낮은 다중 모달리티의 등등성 영아 뇌 MRI 영상의 분할 문제를 해결하기 위해.
• 강한 조직 대비가 없는 상황에서 다중 스트림 3D 완전 컨볼루션 네트워크(FCN)를 활용하여 분할 정확도를 향상시키기 위해.
• 제한된 레이블 데이터에서의 학습 중 기울기 소실을 줄이기 위해 다중 척도의 깊이 감독을 사용하기 위해.
• 네트워크 아키텍처에 공간 맥락 정보를 통합하여 성능 향상시키기 위해.
• 6개월 된 영아 뇌에서 CSF, GM, WM의 고정확도, 엔드 투 엔드 볼륨 분할을 달성하기 위해.

제안 방법

• T1 및 T2 MRI 영상을 별도로 처리한 후 특징을 융합하여 분할하는 다중 스트림 3D FCN을 사용한다.
• 다양한 디코더 단계에 보조 분류기들을 추가하여 다중 척도의 깊이 감독을 적용함으로써 학습 안정성 향상과 기울기 흐름 개선을 도모한다.
• 공간 일관성 향상과 예측의 노이즈 감소를 위해 맥락 가이던스 특징 학습을 통합한다.
• 소규모 데이터셋에서의 학습을 가속화하기 위해 부분적 전이 학습을 활용하며, 사전 학습된 ImageNet 가중치로 초기화한다.
• 추론 시 겹치는 64×64×64 패치를 사용하며, 최종 확률 맵은 겹치는 예측의 평균을 취함으로써 확보한다.
• 고립된 볼륨 요소 제거 및 작은 구멍 메우기 등을 위해 형태학적 연산을 적용하여 결과를 정밀하게 조정한다.

실험 결과

연구 질문

• RQ1 다중 척도의 깊이 감독을 갖춘 다중 스트림 3D FCN가 낮은 조직 대비를 가진 등등성 영아 뇌 MRI 영상의 분할에 대해 강건한 성능을 낼 수 있는가?
• RQ2 다중 척도의 깊이 감독은 데이터가 적은 환경에서 학습 안정성과 분할 정확도를 어떻게 향상시키는가?
• RQ3 공간 맥락 정보를 통합할 경우, 3D 볼륨에서 조직 분할의 정밀도는 어느 정도 향상되는가?
• RQ4 iSeg-2017 도전 대회에서 제안된 방법은 6개월 된 영아 뇌 MRI 분할 분야에서 최신 기술과 비교해 어떻게 성능을 내는가?
• RQ5 맥락 가이던스 특징 학습은 CSF 및 GM 분할의 경계 명확화와 거짓 양성 결과 감소에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 iSeg-2017 테스트 세트에서 CSF에 대해 평균 95.4%의 Dice Overlap Coefficient(DOC), GM에 대해 91.6%, WM에 대해 89.6%를 기록했다.
• 맥락 정보를 추가함으로써 기준 모델 대비 CSF에 대해 0.4% 향상, GM에 대해 0.5%, WM에 대해 0.8% 향상된 DOC를 달성했다.
• iSeg-2017 도전 대회에서 21개 팀 중 3위를 기록하였으며, 상위 두 팀과 매우 유사한 성능을 보였다.
• CSF에 대해 평균 표면 거리(ASD)는 0.127 mm, GM에 대해 0.341 mm, WM에 대해 0.40 mm로 높은 공간 정확도를 나타냈다.
• 수정된 하우스도르프 거리(MHD)는 CSF에 대해 9.62 mm, GM에 대해 6.46 mm, WM에 대해 6.78 mm로 외곽치에 대한 강건성을 보여주었다.
• 표준 데스크톱 GPU에서 1명의 환자당 단지 8초가 소요되어 효율적인 추론 성능를 입증했다.