[논문 리뷰] Small Organ Segmentation in Whole-body MRI using a Two-stage FCN and Weighting Schemes

Vanya V. Valindria, Ioannis Lavdas외 5명|arXiv (Cornell University)|2018. 07. 30.

Radiomics and Machine Learning in Medical Imaging참고 문헌 15인용 수 4

한 줄 요약

이 논문은 전체 체질자기공명영상에서 소기관 분할을 향상시키기 위해 클래스 가중치와 공간 사전 지식을 통합한 이단계형 완전 컨volution 네트워크(FCN)를 제안한다. 군집화된 분할을 위한 가중치가 부여된 FCN, 맥락적 보완을 위한 오토-컨텍스트, 그리고 국소화를 위한 다중 아틀라스 사전 지식을 결합함으로써, 소기관에 대해 0.560의 DSC를 달성하였으며, 기준 FCN(0.244 DSC)과 최신 기술보다도 뚜렷이 뛰어난 성능을 보였다.

ABSTRACT

Accurate and robust segmentation of small organs in whole-body MRI is difficult due to anatomical variation and class imbalance. Recent deep network based approaches have demonstrated promising performance on abdominal multi-organ segmentations. However, the performance on small organs is still suboptimal as these occupy only small regions of the whole-body volumes with unclear boundaries and variable shapes. A coarse-to-fine, hierarchical strategy is a common approach to alleviate this problem, however, this might miss useful contextual information. We propose a two-stage approach with weighting schemes based on auto-context and spatial atlas priors. Our experiments show that the proposed approach can boost the segmentation accuracy of multiple small organs in whole-body MRI scans.

연구 동기 및 목표

• 극심한 클래스 불균형과 약한 경계로 인해 전체 체질자기공명영상에서 소기관의 정확한 분할을 달성하는 데 도전하는 것.
• 낮은 픽셀 점유율과 복잡한 배경으로 인해 표준 딥 러닝 모델이 소기관에서 성능이 떨어지는 문제를 해결하는 것.
• 맥락적 및 해부학적 사전 지식을 통합한 군집에서 정밀한 아키텍처를 통해 분할 정확도를 향상시키는 것.
• 클래스 가중치, 오토-컨텍스트, 공간 사전 지식이 자기공명영상에서 다기관 분할 성능에 미치는 영향을 평가하는 것.
• 단일 기관 또는 CT 기반 방법을 넘어서 전체 체질자기공명영상에서 다수의 소기관과 뼈를 대상으로 하는 것.

제안 방법

• 이단계형 FCN를 적용: 첫 번째 단계에서는 모든 기관에 대해 군집 분할과 확률 맵을 생성하기 위해 가중치가 부여된 FCN를 사용한다.
• 클래스 불균형을 해결하기 위해 손실 함수에 클래스 가중치를 적용하여 부족한 소기관에 더 높은 손실 기여도를 부여한다.
• 세밀한 단계에서 오토-컨텍스트를 구현하여 군집 분할 확률 맵을 추가 입력으로 제공함으로써 세밀한 네트워크를 안내한다.
• 다중 아틀라스 분할에서 유도된 공간 사전 지식을 적용하여 군집 확률 맵과 아틀라스 기반 예측을 곱하여 국소화를 정밀화한다.
• 군집 예측에서 유도된 기관 전용 경계 상자(ROI)를 사용해 각 기관의 관심 영역을 잘라내어 관련 해부학적 영역에 집중한다.
• 다중 작업 감독을 사용한 엔드 투 엔드 훈련을 통해 군집 및 세밀한 네트워크를 함께 최적화한다.

실험 결과

연구 질문

• RQ1 클래스 가중치가 부여된 이단계형 FCN가 전체 체질자기공명영상에서 소기관 분할 정확도를 뚜렷이 향상시킬 수 있는가?
• RQ2 다중 아틀라스 분할에서 유도된 오토-컨텍스트와 공간 사전 지식을 통합할 경우 세밀한 분할 성능에 어떤 영향을 미치는가?
• RQ3 소기관의 부피 점유율이 0.007% 미만일 경우, 가중치 부여 방법이 클래스 불균형을 얼마나 효과적으로 완화할 수 있는가?
• RQ4 군집에서 정밀한 처리, 오토-컨텍스트, 공간 사전 지식의 조합이 다수의 소기관에서 최신 기술보다 뛰어난 성능을 내는가?
• RQ5 다양한 사전 지식(예: 다중 아틀라스 대비 오토-컨텍스트)이 부싘이나 어깨뼈와 같은 특정 소기관의 분할에 어떤 영향을 미치는가?

주요 결과

• 오토-컨텍스트와 다중 아틀라스 공간 사전 지식이 통합된 제안된 이단계형 가중치 FCN는 소기관 평균 DSC가 0.560을 달성하였으며, 기준 FCN(0.244 DSC)보다 뚜렷한 향상이 있었다.
• 클래스 가중치만으로도 소기관 DSC가 0.244에서 0.483으로 상승하여 클래스 불균형 완화의 효과를 입증하였다.
• 다중 아틀라스 사전 지식의 추가로 부신(0.203 DSC)과 기타 소기관의 분할 성능이 향상되었지만, 아틀라스 정확도가 낮아 어깨뼈의 성능은 약간 떨어졌다.
• 오토-컨텍스트 통합으로 가짜 양성 결과가 감소하고 국소화 정확도가 향상되어, 부신과 같이 소형이거나 대비가 낮은 기관에서 특히 유익하였다.
• 맥락적 및 공간 사전 지식을 함께 최적화한 이 방법은 최신 기술의 이단계 접근보다 소기관 DSC에서 약 50% 향상되었으며, 이는 이중 최적화의 유용성을 확인한다.
• 가중치, 오토-컨텍스트, 공간 사전 지식의 조합이 가장 뛰어난 종합 성능을 보였으며, 부신은 전체 부피의 0.0001%에 불과해 상대적 향상이 가장 크게 나타났다.