[논문 리뷰] Semantic Segmentation of Human Thigh Quadriceps Muscle in Magnetic Resonance Images

Ezak Fadzrin Ahmad Shaubari, Manu Goyal외 3명|arXiv (Cornell University)|2018. 01. 01.

Advanced Neural Network Applications참고 문헌 38인용 수 8

한 줄 요약

이 논문은 MRI 스캔에서 인간 허벅지 대퇴근육의 의미적 세분화를 위한 엔드 투 엔드 딥 러닝 접근법을 제시한다. 이는 완전 컨volution 네트워크(FCN-8s, Adam 옵티마이저 사용)를 사용하며, 이미지 필터링과 형태학적 연산을 포함한 후처리 단계로 향상된다. 이 방법은 새로운 최고의 평균 재현율 유사도 지수(JSI) 0.9502를 달성했고, 각 이미지 처리에 단 0.117초가 소요된다.

ABSTRACT

This paper presents an end-to-end solution for MRI thigh quadriceps segmentation. This is the first attempt that deep learning methods are used for the MRI thigh segmentation task. We use the state-of-the-art Fully Convolutional Networks with transfer learning approach for the semantic segmentation of regions of interest in MRI thigh scans. To further improve the performance of the segmentation, we propose a post-processing technique using basic image processing methods. With our proposed method, we have established a new benchmark for MRI thigh quadriceps segmentation with mean Jaccard Similarity Index of 0.9502 and processing time of 0.117 second per image.

연구 동기 및 목표

• MRI 허벅지 근육, 특히 대퇴근, 뼈, 수크를 위한 자동 의미적 세분화를 위한 엔드 투 엔드 딥 러닝 솔루션 개발.
• 최신 딥 러닝 모델과 전이 학습을 활용한 MRI 허벅지 근육 세분화의 새로운 벤치마크 수립.
• 이미지 필터링과 형태학적 연산을 조합한 새로운 후처리 기법을 통해 세분화 정확도 향상.
• 새로가운데 정제된 전문가가 애너테이션을 한 MRI 데이터셋을 바탕으로 딥 러닝 모델과 전통적인 이미지 처리 및 머신러닝 방법의 성능 비교.
• 딥 러닝이 반자동 및 전자동 이전 방법보다 뛰어난 정확도와 속도를 달성할 수 있음을 입증

제안 방법

• 큰 규모의 전문가가 애너테이션을 한 MRI 허벅지 근육 데이터셋에 대해 전이 학습을 통해 최적화된 완전 컨volution 네트워크(FCN-8s)를 사용.
• 학습에 Adam 옵티마이저를 적용하여, 모든 데이터셋에서 SGD보다 높은 세분화 정확도를 달성.
• 과도한 세분화 영역을 개선하기 위해 가우시안 필터링과 형태학적 연산(열림 및 닫힘)을 포함한 후처리 파이프라인을 적용.
• 일반화 능력을 평가하기 위해 중간 스캔(MD), 전체 스캔(WD), 전체 스캔(AD)의 세 가지 다른 데이터셋에서 모델을 훈련 및 평가.
• 지상 진짜와의 겹침 정도를 정량화하기 위해 평균 재현율 유사도 지수(JSI)를 주요 평가 지표로 사용.
• 모델의 강인성과 수렴 성능 향상을 위해 데이터 증강 및 정규화 기법을 통합

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 기존의 이미지 처리 및 머신러닝 방법에 비해 MRI 허벅지 대퇴근육의 의미적 세분화 성능을 뛰어나게 할 수 있는가?
• RQ2 MRI 허벅지 스캔에서 다수의 조직 계열(대퇴근, 뼈, 수크)을 세분화하기 위해 최적의 딥 러닝 아키텍처와 옵티마이저는 무엇인가?
• RQ3 제안된 후처리 기법은 과도한 세분화를 줄이고 세분화 정확도를 향상시키는 데 얼마나 효과적인가?
• RQ4 제안된 방법은 고정확도와 저지연 추론 시간을 동시에 확보하여 임상 및 연구 응용에 적합한가?
• RQ5 재학습 없이도 다양한 MRI 스캔 유형(MD, WD, AD) 간에 모델이 잘 일반화되는가?

주요 결과

• 후처리를 거친 후, FCN-8s 모델이 Adam 옵티마이저를 사용해 전체 스캔(WD) 데이터셋에서 최고의 평균 재현율 유사도 지수(JSI) 0.9502를 달성하여 새로운 기준을 수립.
• 후처리 단계는 WD 데이터셋에서 JSI를 0.9469에서 0.9502로 0.0033 향상시켰으며, 이는 전체 이미지의 1% 미만에 영향을 주었음에도 불구하고.
• 모든 이미지 처리에 평균 0.117초가 소요되어, 이는 [51]에서 제시된 이전 전자동 방법보다 188배 빠름.
• 후처리 없이도 FCN-8s 모델은 기존 반자동 기준(평균 JSI = 0.95)을 초월하여 WD 데이터셋에서 0.9469의 점수를 기록.
• 제안된 방법은 1장당 0.117초의 처리 시간에 95.02%의 JSI를 달성하여 높은 정확도와 효율성을 동시에 입증.
• 모델은 다양한 스캔 유형에서 일관된 성능을 보였으며, 후처리 이후 JSI 값은 MD: 0.927, WD: 0.9502, AD: 0.9398를 기록함.