[논문 리뷰] Multiple Sclerosis Lesion Segmentation from Brain MRI via Fully Convolutional Neural Networks

Snehashis Roy, John A. Butman외 3명|arXiv (Cornell University)|2018. 03. 24.

Brain Tumor Detection and Classification참고 문헌 61인용 수 62

한 줄 요약

완전 합성곱 CNN(FLEXCONN)이 다중 대조 경로를 이용해 MS 병변 분할을 수행하고, ISBI-61 및 MS-100 데이터셋에서 다수의 최첨단 방법들을 능가한다.

ABSTRACT

Multiple Sclerosis (MS) is an autoimmune disease that leads to lesions in the central nervous system. Magnetic resonance (MR) images provide sufficient imaging contrast to visualize and detect lesions, particularly those in the white matter. Quantitative measures based on various features of lesions have been shown to be useful in clinical trials for evaluating therapies. Therefore robust and accurate segmentation of white matter lesions from MR images can provide important information about the disease status and progression. In this paper, we propose a fully convolutional neural network (CNN) based method to segment white matter lesions from multi-contrast MR images. The proposed CNN based method contains two convolutional pathways. The first pathway consists of multiple parallel convolutional filter banks catering to multiple MR modalities. In the second pathway, the outputs of the first one are concatenated and another set of convolutional filters are applied. The output of this last pathway produces a membership function for lesions that may be thresholded to obtain a binary segmentation. The proposed method is evaluated on a dataset of 100 MS patients, as well as the ISBI 2015 challenge data consisting of 14 patients. The comparison is performed against four publicly available MS lesion segmentation methods. Significant improvement in segmentation quality over the competing methods is demonstrated on various metrics, such as Dice and false positive ratio. While evaluating on the ISBI 2015 challenge data, our method produces a score of 90.48, where a score of 90 is considered to be comparable to a human rater.

연구 동기 및 목표

• 다중 대조 MR 이미지를 대상으로 한 MS 병변 분할을 위한 완전 합성곱 CNN 아키텍처를 시연한다.
• 큰 2D 패치와 합성곱 기반 멤버십 예측이 분할 정확도에 미치는 영향을 평가한다.
• 공개 및 비공개 데이터셋에서 FLEXCONN을 기존 MS 병변 분할 방법과 비교한다.

제안 방법

• 특징 추출을 위해 다중 대조 입력(MPRAGE 및 FLAIR)에 대해 두 개의 평행 합성곱 경로를 사용한다.
• 경로 출력을 연결하고 두 번째 합성곱 경로를 적용해 병변 멤버십 맵을 생성한다.
• 훈련 멤버십이 가우시안 블러 처리된 수동 마스크에 의해 생성되는 패치 기반 지도학습으로 훈련한다.
• 공간적 일관성을 개선하고 위양성(False positives)을 줄이기 위해 최종적으로 완전 연결층 대신 완전 합성곱 예측을 선호한다.
• VAL-28 검증 세트를 사용해 패치 크기(35x35)와 경로 깊이(다섯 필터 뱅크)를 최적화한다.
• 멤버십 맵을 임계값(0.30)으로 이진 분할로 출력하고 Dice, LFPR, PPV, VD로 평가한다.

실험 결과

연구 질문

• RQ1 전통적인 방법에 비해 완전 합성곱 CNN이 MS 병변 분할 정확도를 향상시킬 수 있는가?
• RQ2 Dice 점수와 위양성 간의 최적 균형을 제공하는 패치 크기와 네트워크 깊이는 무엇인가?
• RQ3 ISBI-61 및 MS-100 데이터셋에서 FLEXCONN이 LesionTOADS, OASIS, LST, S3DL과 어떻게 비교되는가?

주요 결과

• FLEXCONN은 MS-100에서 경쟁 방법들보다 Dice가 더 높고 병변 위양성률(LFPR)과 부피 차이(VD)가 더 낮다.
• MS-100에서 FLEXCONN 중간 지표: Dice 0.5639, LFPR 0.3077, PPV 0.6040, VD 0.1978.
• ISBI-61에서 FLEXCONN은 평가된 방법들 중 가장 높은 점수: Score 90.48으로, 분할 정확도가 인간 간 등급 신뢰도에 비견된다.
• FC 기반 예측과 비교해, 합성곱 멤버십 방식은 피질에서 위양성을 줄이고 전체 부피 추론 속도를 높인다(3D 부피당 몇 초).
• 35x35 패치와 5-pathway 깊이에서 최고의 성능; 더 작은 패치는 Dice 및 LFPR에서 열등하다.