[논문 리뷰] QuickNAT: Segmenting MRI Neuroanatomy in 20 seconds.

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

Medical Image Segmentation Techniques참고 문헌 13인용 수 22

한 줄 요약

QuickNAT는 사전 훈련을 통해 자동으로 생성된 보조 레이블을 활용하고 수동 주석을 통해 미세조정함으로써, 전체 뇌 MRI 신경해부학을 단 20초 만에 분할하는 완전 컨볼루션 신경망이다. 이는 기존 최고 수준의 방법보다 약 700배 빠르며, 다양한 연령대, 병변 유형, 스캐너 모델을 포함한 다양한 데이터셋에서 뛰어난 정확도를 달성한다.

ABSTRACT

Whole brain segmentation from structural magnetic resonance imaging is a prerequisite for most morphological analyses, but requires hours of processing time and therefore delays the availability of image markers after scan acquisition. We introduce QuickNAT, a fully convolution neural network that segments a brain scan in 20 seconds. To enable training of the complex network with limited annotated data, we propose to pre-train on auxiliary labels created from existing segmentation software and to subsequently fine-tune on manual labels. 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 performance to state-of-the-art methods, while being about 700 times faster. This drastic speed up greatly facilitates the processing of large data repositories and supports the translation of imaging biomarkers by making them almost instantaneously available.

연구 동기 및 목표

• 스캔 촬영 후 형태학적 영상 지표의 가용성이 지연되는 전체 뇌 MRI 분할의 장시간 처리 문제를 해결하기 위해.
• 제한된 수의 수동 주석 데이터가 있는 상황에서도 빠르고 정확한 구조적 MRI에서의 신경해부학 분할을 가능하게 하기 위해.
• 다양한 인구 집단과 영상 프로토콜에서 높은 성능을 유지하는 딥 러닝 프레임워크를 개발하기 위해.
• 처리 시간을 시간에서 20초 이내로 단축시켜 영상 생물학적 지표의 번역을 가속화하기 위해.

제안 방법

• T1-가중 MRI 스캔에서 종단간 전체 뇌 분할을 수행하는 완전 컨볼루션 신경망(QuickNAT)을 훈련하기 위해.
• 제한된 수의 수동 주석을 보완하기 위해 기존 분할 소프트웨어에서 생성된 보조 레이블을 기반으로 네트워크를 사전 훈련하기 위해.
• 목표 구조물에서의 정확도 향상을 위해 더 작은 수의 수동 주석 레이블을 사용해 사전 훈련된 모델을 미세조정하기 위해.
• 공간 해상도를 유지하고 분할 정밀도를 향상시키기 위해 스케일 연결 기반의 U-Net 유사 아키텍처를 사용하기 위해.
• 일반화 성능 향상을 위해 미세조정 동안 데이터 증강 및 표준 딥 러닝 최적화 기법을 활용하기 위해.
• 다양한 연령대, 병변, 스캐너 제조사를 포함한 여덟 가지 다양한 데이터셋에서 성능을 평가하여, 다양한 조건에서도 강건성을 확보하기 위해.

실험 결과

연구 질문

• RQ1 제한된 수의 수동 주석이 있는 상황에서 딥 러닝 모델이 전체 뇌 MRI에서 높은 분할 정확도를 달성할 수 있는가?
• RQ2 오직 수동 주석만을 사용해 종단간 훈련하는 것과 비교할 때, 자동으로 생성된 레이블을 기반으로 한 사전 훈련이 성능 및 속도 측면에서 어떻게 다른가?
• RQ3 QuickNAT가 다양한 연령대, 병변, 스캐너 프로토콜을 포함한 다양한 데이터셋에서 얼마나 잘 일반화되는가?
• RQ4 정확도를 희생시키지 않고 처리 시간을 시간에서 20초 이내로 줄일 수 있는가?

주요 결과

• QuickNAT는 여덟 가지 다양한 데이터셋에서 최고 수준의 분할 정확도를 달성하며, 여러 평가 지표에서 기존 방법들을 능가한다.
• 모델은 전체 뇌 MRI 스캔을 단 20초 만에 처리하여, 이는 이전 최고 수준의 방법 대비 약 700배 빠른 속도 향상이다.
• 보조 레이블을 기반으로 한 사전 훈련은 수동 주석 데이터가 제한적인 상황에서 성능 향상에 크게 기여한다.
• 수동 주석 레이블을 사용한 미세조정은 병변이 있는 경우와 다양한 스캐너 유형을 포함한 모든 평가 데이터셋에서 일관된 성능 향상을 이끌어낸다.
• 어린이에서 노인에 이르기까지 넓은 연령대에서 높은 정확도를 유지하며, 강력한 일반화 능력을 보여준다.
• 이 프레임워크는 영상 생물학적 지표의 거의 즉각적인 가용성을 가능하게 하여, 대규모 뇌 영상 연구를 가속화한다.