[논문 리뷰] Near Real-time Hippocampus Segmentation Using Patch-based Canonical Neural Network

Zhongliu Xie, Duncan Gillies|arXiv (Cornell University)|2018. 07. 15.

Medical Image Segmentation Techniques참고 문헌 7인용 수 7

한 줄 요약

이 논문은 뇌 MRI에서 히포크암프스 세그먼테이션을 near real-time로 달성하기 위해 ReLU 활성화 함수, 드롭아웃 정규화, 2.5D 삼면 다중 경로 입력 구조를 활용한 패치 기반 딥 뉴럴 네트워크(PatchDNN)를 제안한다. 이 방법은 1회 스캔당 1초 이내에 중앙값 Dice 점수 90.98%를 달성하여, 이전의 최고 성능을 기록한 패치 기반 세그먼테이션 및 딥 러닝 방법보다 속도와 정확도 면에서 뚜렷하게 뛰어나다.

ABSTRACT

Over the past decades, state-of-the-art medical image segmentation has heavily rested on signal processing paradigms, most notably registration-based label propagation and pair-wise patch comparison, which are generally slow despite a high segmentation accuracy. In recent years, deep learning has revolutionalized computer vision with many practices outperforming prior art, in particular the convolutional neural network (CNN) studies on image classification. Deep CNN has also started being applied to medical image segmentation lately, but generally involves long training and demanding memory requirements, achieving limited success. We propose a patch-based deep learning framework based on a revisit to the classic neural network model with substantial modernization, including the use of Rectified Linear Unit (ReLU) activation, dropout layers, 2.5D tri-planar patch multi-pathway settings. In a test application to hippocampus segmentation using 100 brain MR images from the ADNI database, our approach significantly outperformed prior art in terms of both segmentation accuracy and speed: scoring a median Dice score up to 90.98% on a near real-time performance (<1s).

연구 동기 및 목표

• MALP 및 PBS와 같은 전통적인 신호 처리 기반 의료 영상 세그먼테이션 방법의 계산 비효율성 문제를 해결하기 위해, 비선형 등록 또는 쌍별 패치 비교에 의해 시간이 오래 소요되는 절차에 의존하는 것.
• 특히 패치 기반 볼륨 레이블링에 있어 딥 컨볼루션 네트워크(CNN)의 높은 메모리 및 학습 비용 문제를 해결하기 위해.
• T1-강조 MRI 스캔에서 히포크암프스 추출을 위한 빠르고 정확하며 메모리 효율적인 세그먼테이션 프레임워크를 개발하기 위해.
• 모던화된 얕은 순전파 신경망이 ReLU, 드롭아웃 및 2.5D 삼면 다중 경로 입력을 갖추고 있을 때, 복잡한 딥 CNN 및 이전 PBS 방법보다 속도와 정확도 면에서 뛰어나다는 것을 입증하기 위해.

제안 방법

• 이 방법은 각 볼륨의 레이블을 국소 영상 패치 기반으로 분류하는 패치 기반 딥 뉴럴 네트워크(PatchDNN)를 사용하며, 각 패치를 소형 이미지로 간주한다.
• 기존 활성화 함수보다 학습 속도를 높이고 수렴 속도를 향상시키기 위해 정규화 선형 단위(ReLU) 활성화 함수를 사용한다.
• 학습 중 과적합을 완화하기 위해 드롭아웃 레이어를 통합하며, 특히 의료 영상에서 제한된 학습 데이터가 존재하는 상황에서 매우 중요하다.
• 각 3D 패치의 axial, coronal, sagittal 슬라이스를 동시에 처리하는 2.5D 삼면 다중 경로 입력 구조를 사용하여 최소한의 계산 부담으로도 특징 표현을 향상시킨다.
• 컨볼루션 가중치 공유가 없는 상황에서도 효율적인 최적화를 가능하게 하기 위해 GPU에서 확률적 경사 하강법을 사용해 네트워크를 학습시킨다.
• 테스트 시 추론이 매우 효율적이며, 표준 GPU에서 3D MRI 볼륨 1회당 1초 이내에 세그먼테이션을 완료한다.

실험 결과

연구 질문

• RQ1 모던화된 비컨볼루션 순전파 신경망이 기존 패치 기반 세그먼테이션(PBS) 방법보다 더 높은 정확도와 빠른 속도를 달성할 수 있는가?
• RQ2 제한된 데이터에서 패치 기반 의료 영상 세그먼테이션 작업에 있어 ReLU 활성화 함수와 드롭아웃 레이어가 학습 효율성과 일반화 능력을 얼마나 향상시킬 수 있는가?
• RQ3 2.5D 삼면 다중 경로 입력 구조가 낮은 메모리 및 계산 비용을 유지하면서도 고정확도의 히포크암프스 세그먼테이션을 위한 충분한 공간적 맥락을 제공할 수 있는가?
• RQ4 비-CNN 딥 뉴럴 네트워크 아키텍처가 의료 영상 세그먼테이션 분야에서 추론 속도와 메모리 사용 측면에서 최고 수준의 딥 CNN 기반 세그먼테이션 모델을 능가할 수 있는가?

주요 결과

• PatchDNN는 ADNI 데이터베이스의 100개 히포크암프스 MRI 스캔에서 중앙값 Dice 점수 90.98%를 기록했으며, 이는 이전 최고 수준의 PBS 방법(중앙값 Dice 점수 86.65%)을 뚜렷이 능가한 것이다.
• 이 방법은 near real-time 추론 성능을 달성하여 표준 GPU에서 3D MRI 볼륨 1회당 1초 이내에 세그먼테이션을 완료했으며, 지금까지 보고된 바 중 가장 빠른 히포크암프스 세그먼테이션 시스템이다.
• PBS 기준선 방법은 스캔당 197~645초가 소요되었으며(사전 처리 제외), 기존 PBS 프레임워크 대비 600배 이상의 속도 향상을 보였다.
• PatchDNN 프레임워크에서 ReLU 및 드롭아웃의 사용은 더 빠른 수렴과 과적합 감소를 이끌어내어 제한된 학습 데이터로도 높은 성능을 달성할 수 있게 하였다.
• 2.5D 삼면 다중 경로 입력 구조는 3D 컨볼루션 네트워크의 메모리 및 계산 부담 없이 강력한 공간적 맥락을 제공하여 효율적이면서도 정확한 특징 학습을 가능하게 하였다.
• PatchDNN 프레임워크는 건강한 대조군, MCI 및 알츠하이머 환자 포함 다양한 환자군에 걸쳐 뛰어난 강건성을 보였으며, 인구 통계적 하위군 간에 성능 저하가 없었다.