[논문 리뷰] QuickNAT: A Fully Convolutional Network for Quick and Accurate Segmentation of Neuroanatomy

Abhijit Guha Roy, Sailesh Conjeti외 2명|arXiv (Cornell University)|2018. 01. 12.

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

한 줄 요약

QuickNAT는 전체 뇌 MRI 스캔을 단 20초 만에 최신 기술 수준의 정확도로 분할하는 완전 컨volutional이며 밀집 연결된 신경망이다. 기존 소프트웨어에서 자동으로 생성된 보조 레이블을 활용한 사전 훈련과 수동 애너테이션을 통한 미세 조정을 통해, 레이블이 제한된 상황에서도 높은 성능을 달성하고 대규모 뇌 영상 분석을 가속화한다.

ABSTRACT

Whole brain segmentation from structural magnetic resonance imaging (MRI) is a prerequisite for most morphological analyses, but is computationally intense and can therefore delay the availability of image markers after scan acquisition. We introduce QuickNAT, a fully convolutional, densely connected neural network that segments a evision{MRI brain scan} in 20 seconds. To enable training of the complex network with millions of learnable parameters using limited annotated data, we propose to first pre-train on auxiliary labels created from existing segmentation software. Subsequently, the pre-trained model is fine-tuned on manual labels to rectify errors in auxiliary labels. With this learning strategy, we are able to use large neuroimaging repositories without manual annotations for training. In an extensive set of evaluations on eight datasets that cover a wide age range, pathology, and different scanners, we demonstrate that QuickNAT achieves superior segmentation accuracy and reliability in comparison to state-of-the-art methods, while being orders of magnitude faster. The speed up facilitates processing of large data repositories and supports translation of imaging biomarkers by making them available within seconds for fast clinical decision making.

연구 동기 및 목표

• 전체 뇌 MRI 분할에서 발생하는 계산적 병목 현상을 해결하여 형태학적 영상 지표의 가용성을 빠르게 보장하고자 한다.
• 제한된 수의 수동 애너테이션 데이터를 사용하면서도 대규모 레이블이 없는 뇌 영상 레포지토리의 정보를 활용하여 고정확도 분할을 실현하고자 한다.
• 기존 최신 기술 대비 현저히 빠르면서도 매우 높은 정확도를 보장하는 방법을 개발하고자 한다.
• 분할 시간을 수시간에서 수초로 단축시켜 임상적 빠른 의사결정 지원을 가능하게 하고자 한다.
• 실시간 처리를 통해 영상 생물학적 지표를 임상 워크플로우로의 이식을 촉진하고자 한다.

제안 방법

• 모델는 엣지 투 엔드 3D MRI 분할을 위해 설계된 완전 컨볼루션형이며 밀집 연결된 신경망이다.
• 두 단계 훈련 전략을 사용한다: 먼저 기존 분할 소프트웨어(예: FreeSurfer, FSL)에서 생성된 보조 레이블을 기반으로 사전 훈련한다.
• 사전 훈련된 모델은 보다 작은 수의 수동 애너테이션 MRI 스캔 데이터를 사용해 미세 조정된다. 이는 보조 레이블의 오류를 수정하기 위함이다.
• 이 자기지도 학습 사전 훈련 방식은 사전 훈련 단계에서 수동 애너테이션을 필요로 하지 않으며, 대규모 뇌 영상 레포지토리의 효과적 활용을 가능하게 한다.
• 밀집 연결 스킵 연결을 통해 공간 일관성과 고해상도 특징 학습을 보장하는 아키텍처를 제공한다.
• 표준 딥러닝 손실 함수를 사용하며, 다양한 스캐너와 병변에 대한 일반화 능력을 향상시키기 위해 데이터 증강 기법을 적용한다.

실험 결과

연구 질문

• RQ1 완전 컨볼루션형 네트워크가 전체 뇌 MRI 분할에서 높은 정확도를 달성하면서도 20초 이내의 추론 속도를 유지할 수 있는가?
• RQ2 제한된 수의 수동 애너테이션만 존재할 때, 자동으로 생성된 보조 레이블을 기반으로 한 사전 훈련이 성능 향상에 상당한 기여를 할 수 있는가?
• RQ3 두 단계 훈련 전략—가짜 레이블을 기반으로 한 사전 훈련 후 수동 레이블을 통한 미세 조정—이 다양한 데이터셋 간의 일반화 능력을 향상시키는가?
• RQ4 연령대, 병변, MRI 스캐너 유형에 관계없이 기존 최신 기술 대비 QuickNAT의 정확도, 속도, 내구성 측면에서의 성능 비교는 어떠한가?
• RQ5 이러한 방법이 임상 및 연구 응용을 위해 대규모 뇌 영상 레포지토리의 실시간 처리를 가능하게 할 수 있는가?

주요 결과

• QuickNAT는 단일 GPU에서 전체 뇌 분할을 20초 내에 수행하며, 이는 이전 방법 대비 10배 이상의 속도 향상이다.
• 다양한 연령대, 병변, MRI 스캐너 유형을 포함한 여덟 가지 다양한 데이터셋에서 뛰어난 분할 정확도를 보였다.
• 보조 레이블을 기반으로 한 사전 훈련과 수동 애너테이션을 통한 미세 조정을 포함한 두 단계 훈련 전략은 제한된 데이터로 초기 훈련을 수행하는 것보다 성능 향상에 기여한다.
• 이석, 병변 등 영상 오염 요소가 존재하더라도 다양한 뇌 해부학적 구조에서 높은 신뢰성과 일관성을 유지한다.
• 대규모 뇌 영상 레포지토리의 확장 가능한 처리를 가능하게 하여, 임상적 의사결정 지원을 위한 생물학적 지표를 수초 내로 제공한다.
• 정확도와 추론 속도 측면에서 기존 최신 기술 대비 뛰어난 성능을 보이며, 빠르고 정확한 뇌 해부학적 분할의 새로운 기준을 설정한다.