[논문 리뷰] Technical Considerations for Semantic Segmentation in MRI using Convolutional Neural Networks

Arjun Desai, Garry E. Gold외 2명|arXiv (Cornell University)|2019. 02. 05.

Osteoarthritis Treatment and Mechanisms참고 문헌 43인용 수 17

한 줄 요약

이 연구는 3D MRI에서 히알린 연골의 딥러닝 기반 의미적 세그멘테이션에 네트워크 아키텍처, 손실 함수, 학습 데이터 특성의 영향을 조사한다. 아키텍처의 차이가 정확도 향상에 미치는 영향은 미미한 반면, 적절한 손실 함수 선택과 현실적인 데이터 증강 전략이 일반화 능력을 크게 향상시키며, 성능은 데이터 크기에 따라 느리게 증가한다—모든 모델에서 95% Dice 스코어에 도달하기 위해 약 300~440명의 환자가 필요하다.

ABSTRACT

High-fidelity semantic segmentation of magnetic resonance volumes is critical for estimating tissue morphometry and relaxation parameters in both clinical and research applications. While manual segmentation is accepted as the gold-standard, recent advances in deep learning and convolutional neural networks (CNNs) have shown promise for efficient automatic segmentation of soft tissues. However, due to the stochastic nature of deep learning and the multitude of hyperparameters in training networks, predicting network behavior is challenging. In this paper, we quantify the impact of three factors associated with CNN segmentation performance: network architecture, training loss functions, and training data characteristics. We evaluate the impact of these variations on the segmentation of femoral cartilage and propose potential modifications to CNN architectures and training protocols to train these models with confidence.

연구 동기 및 목표

• 3D MRI에서 히알린 연골의 CNN 기반 의미적 세그멘테이션에 네트워크 아키텍처, 학습 손실 함수, 데이터 특성의 영향을 정량화하는 것.
• 이러한 요소의 변동이 다양한 시야각(FOV)에서의 세그멘테이션 정확도와 일반화 능력에 미치는 영향을 평가하는 것.
• 의료 영상 세그멘테이션을 위한 최적의 아키텍처 및 학습 프로토콜 선택을 도출하여 CNN 모델의 신뢰성 있는 구현을 안내하는 것.

제안 방법

• 연구는 OAI 환자 88명의 3D sagittal DESS MRI 자료를 사용하였으며, 수작업으로 세그멘테이션된 히알린 연골 마스크를 포함한다.
• 표준 평가 지표(예: Dice 계수, Hausdorff 거리)를 사용하여 U-Net, SegNet, DeepLabV3+ 아키텍처를 학습 및 평가한다.
• 표준 교차 엔트로피, 가중 교차 엔트로피, 소프트 Dice 손실 함수를 사용하여 오차 분포 및 성능에 미치는 영향을 평가한다.
• 시야각(FOV) 변동 및 대trast 조절과 같은 데이터 증강 전략을 적용하여 모델의 일반화 능력에 미치는 영향을 평가한다.
• 이미지 촬영 변동성에 대한 민감도를 측정하기 위해 다양한 FOV를 가진 테스트 세트에서 성능을 평가한다.
• 목표 정확도 기준(예: 95% Dice)에 도달하기 위해 필요한 학습 데이터 크기를 추정하기 위해 성능 데이터에 힘 법칙 스케일링 모델을 피팅한다.

실험 결과

연구 질문

• RQ1 U-Net, SegNet, DeepLabV3+와 같은 다양한 CNN 아키텍처가 3D MRI에서 히알린 연골의 세그멘테이션 정확도와 일반화 능력에 어떤 영향을 미치는가?
• RQ2 클래스 불균형 상황에서 교차 엔트로피, 가중 교차 엔트로피, 소프트 Dice 손실 함수의 차이가 네트워크 최적화 및 오차 분포에 어떤 영향을 미치는가?
• RQ3 특히 시야각(FOV) 및 대비 변동을 포함한 데이터 증강 전략이 다양한 MRI 촬영 파rameter에서 모델의 일반화 능력을 얼마나 향상시키는가?
• RQ4 학습 데이터 크기가 증가함에 따라 모델 성능은 어떻게 변화하며, 높은 정확도(예: 95% Dice)에 도달하기 위해 필요한 데이터 볼륨은 얼마인가?
• RQ5 전략적 증강을 통해 단일 테스트 세트에서의 절대 성능를 약간 낮추더라도 일반화 능력을 향상시킬 수 있는가?

주요 결과

• 네트워크 아키텍처는 총합 세그멘테이션 정확도에 미미한 영향을 미치며, 모든 지표에서 한 가지 아키텍처가 항상 다른 것보다 뛰어나지 않았다.
• 소프트 Dice 손실 함수가 평균 Dice 계수(0.84)가 가장 높고, Hausdorff 거리(1.8 mm)가 가장 낮아 성능과 경계 정밀도가 뛰어났다.
• 실제와 유사한 데이터 증강(FOV 및 대비 변동 포함)은 모델의 일반화 능력을 향상시켰지만, 원래 테스트 세트에서의 절대 성능는 약간 감소시켰다.
• 성능는 데이터 크기에 따라 느리게 증가하며, 지수 β < 0.05인 힘 법칙 관계를 따르며, 추가 데이터로 인한 수익 감소 현상이 나타났다.
• 95% Dice 정확도에 도달하기 위해 DeepLabV3+는 약 300명, U-Net은 350명, SegNet은 440명의 환필요하며, 제한된 데이터로도 높은 성능를 달성할 수 있음을 시사한다.
• 입력 깊이 32 슬라이스로 고정된 3D U-Net은 배치 크기와 필터 수를 제한하여, 입력 깊이 및 배치 크기 조정을 통한 아키텍처 최적화로 성능 향상을 기대할 수 있다.