[논문 리뷰] Robust Automatic Whole Brain Extraction on Magnetic Resonance Imaging of Brain Tumor Patients using Dense-Vnet

Sara Ranjbar, Kyle Singleton외 6명|arXiv (Cornell University)|2020. 06. 04.

Brain Tumor Detection and Classification참고 문헌 44인용 수 6

한 줄 요약

이 논문은 뇌종양 환자의 T1Gd 및 FLAIR MRI 스캔에서 뇌 조직을 정확하게 분할하기 위해 Dense-Vnet 아키텍처를 사용하는 딥러닝 기반 전체 뇌 추출 방법인 DeepBrain을 제안한다. 자동으로 생성된 확률 마스크로 훈련된 모델은 종양 영향을 받은 MRI에서 94.5%의 Dice 스코어, 96.4%의 민감도, 98.5%의 특이도를 기록하여 최소 50개의 훈련 샘플로도 강건하고 데이터 효율적인 성능을 보였다.

ABSTRACT

Whole brain extraction, also known as skull stripping, is a process in neuroimaging in which non-brain tissue such as skull, eyeballs, skin, etc. are removed from neuroimages. Skull striping is a preliminary step in presurgical planning, cortical reconstruction, and automatic tumor segmentation. Despite a plethora of skull stripping approaches in the literature, few are sufficiently accurate for processing pathology-presenting MRIs, especially MRIs with brain tumors. In this work we propose a deep learning approach for skull striping common MRI sequences in oncology such as T1-weighted with gadolinium contrast (T1Gd) and T2-weighted fluid attenuated inversion recovery (FLAIR) in patients with brain tumors. We automatically created gray matter, white matter, and CSF probability masks using SPM12 software and merged the masks into one for a final whole-brain mask for model training. Dice agreement, sensitivity, and specificity of the model (referred herein as DeepBrain) was tested against manual brain masks. To assess data efficiency, we retrained our models using progressively fewer training data examples and calculated average dice scores on the test set for the models trained in each round. Further, we tested our model against MRI of healthy brains from the LBP40A dataset. Overall, DeepBrain yielded an average dice score of 94.5%, sensitivity of 96.4%, and specificity of 98.5% on brain tumor data. For healthy brains, model performance improved to a dice score of 96.2%, sensitivity of 96.6% and specificity of 99.2%. The data efficiency experiment showed that, for this specific task, comparable levels of accuracy could have been achieved with as few as 50 training samples. In conclusion, this study demonstrated that a deep learning model trained on minimally processed automatically-generated labels can generate more accurate brain masks on MRI of brain tumor patients within seconds.

연구 동기 및 목표

• 뇌종양 환자 MRI 스캔에 대해 기존 방법이 병리적 조직 왜곡으로 인해 실패하는 경우에도 강건하고 자동화된 전체 뇌 추출 방법을 개발하는 것.
• 뇌종양이 있는 T1Gd 및 FLAIR 시퀀스에 적용했을 때 기존 두개골 제거 기법의 정확도가 낮은 문제를 해결하는 것.
• 수동 분할이 아닌 최소한의 처리를 거친 자동 생성 레이블로 훈련된 딥러닝 모델의 성능 평가.
• 최소한의 훈련 샘플 수가 전체 뇌 추출에서 높은 성능을 달성하는 데 필요한지를 평가하여 데이터 효율성 분석.

제안 방법

• 모델명인 DeepBrain는 3D 의료 영상 분할을 위해 설계된 Dense-Vnet 아키텍처 기반의 3D U-Net 변종이다.
• SPM12 소프트웨어를 사용하여 회색질, 흰질 및 뇌척수액 확률 지ap을 생성하고 이를 하나의 전체 뇌 마스크로 통합하여 훈련에 사용하였다.
• 이러한 자동으로 생성된 레이블을 사용하여 뇌종양 환자의 T1Gd 및 FLAIR MRI 시퀀스에서 네트워크를 엔드 투 엔드로 훈련시켰다.
• 수동으로 묘사된 뇌 마스크와의 비교를 통해 모델 성능을 Dice 유사도 계수, 민감도 및 특이도로 평가하였다.
• 성능 임계치를 평가하기 위해 훈련 데이터의 점진적으로 감소하는 부분집합으로 모델을 재훈련하는 데이터 효율성 실험을 실시하였다.
• 정상 뇌 MRI에서의 성능 비교를 위해 LBP40A 데이터셋의 정상 뇌 MRI에서도 모델을 평가하였다.

실험 결과

연구 질문

• RQ1 자동으로 생성된 확률 마스크로 훈련된 딥러닝 모델이 뇌종양 MRI 스캔에서 전체 뇌 추출에 대해 높은 정확도를 달성할 수 있는가?
• RQ2 뇌종양 환자에서 T1Gd 및 FLAIR 시퀀스에 대해 제안된 모델의 성능이 수동 분할 기준과 비교해 어떻게 되는가?
• RQ3 종양 영향을 받은 MRI에서 전체 뇌 추출에 대해 강건한 성능을 달성하기 위해 필요한 최소 훈련 샘플 수는 얼마인가?
• RQ4 모델의 성능는 뇌종양 MRI와 정상 뇌 MRI 스캔 간에 어떻게 달라지는가?
• RQ5 제한된 데이터로 훈련했을 때 정확도를 유지하는 정도가 얼마나 되는지, 즉 데이터 효율성은 어느 정도인가?

주요 결과

• DeepBrain 모델은 뇌종양 MRI 스캔에서 평균 94.5%의 Dice 스코어를 기록하여 수동 뇌 마스크와 높은 겹침을 보였다.
• 종양 영향을 받은 MRI에서 민감도 96.4% 및 특이도 98.5%가 기록되어 비뇌 구조의 강력한 탐지 및 배제 능력을 입증하였다.
• LBP40A 데이터셋의 정상 뇌 MRI에서 모델은 Dice 스코어 96.2%로 향상되었으며, 민감도 96.6% 및 특이도 99.2%를 기록하였다.
• 데이터 효율성 실험 결과, 50개의 훈련 샘플로도 유사한 성능을 달성할 수 있었으며, 제한된 데이터로부터도 강력한 일반화 능력을 보였다.
• 모델은 몇 초 내로 정확한 뇌 마스크를 생성하여 수술 전 계획 및 종양 분할과 같은 임상 워크플로우에 신속하게 적용할 수 있었다.
• SPM12를 통해 자동으로 생성된 레이블을 훈련에 사용함으로써 시간이 오래 소요되는 수동 분할 없이도 높은 성능을 달성할 수 있었다.