[논문 리뷰] Towards Clinical Diagnosis: Automated Stroke Lesion Segmentation on Multimodal MR Image Using Convolutional Neural Network

Zhiyang Liu, Chen Cao외 4명|arXiv (Cornell University)|2018. 03. 05.

Brain Tumor Detection and Classification참고 문헌 16인용 수 3

한 줄 요약

이 논문은 다중 모odal MRI 이미지(DWI, ADC, T2WI)에서 뇌경색 병변을 자동으로 분할하기 위해 아트로스 컨볼루션과 글로벌 컨볼루션 네트워크를 통합한 잔차 구조를 가진 완전 컨volution 신경망(Res-FCN)을 제안한다. 이 방법은 평균 딱스 계수 0.645와 환자당 평균 1.515개의 잘못된 음성 병변을 기록하여 방사선 전문의 수준의 성능에 가까워졌으며, 뇌졸중 진단에서 임상적 적용에 매우 적합하다.

ABSTRACT

The patient with ischemic stroke can benefit most from the earliest possible definitive diagnosis. While the high quality medical resources are quite scarce across the globe, an automated diagnostic tool is expected in analyzing the magnetic resonance (MR) images to provide reference in clinical diagnosis. In this paper, we propose a deep learning method to automatically segment ischemic stroke lesions from multi-modal MR images. By using atrous convolution and global convolution network, our proposed residual-structured fully convolutional network (Res-FCN) is able to capture features from large receptive fields. The network architecture is validated on a large dataset of 212 clinically acquired multi-modal MR images, which is shown to achieve a mean dice coefficient of 0.645 with a mean number of false negative lesions of 1.515. The false negatives can reach a value that close to a common medical image doctor, making it exceptive for a real clinical application.

연구 동기 및 목표

• 다중 모달 MRI에서 뇌경색 병변을 자동으로, 정확하게, 임상적으로 실현 가능한 방법을 개발하기 위해.
• 제한된 훈련 데이터와 환자 및 스캐너 간 병변의 외관 변동성 문제를 해결하기 위해.
• 급성 뇌졸중에서 오진을 방지하기 위해 매우 중요한 잘못된 음성 검출을 줄이기 위해.
• 병변 탐지 및 잡음 감소를 향상시키기 위해 다중 모달 MRI(DWI, ADC, T2WI)를 활용하기 위해.
• 특히 잘못된 음성 수를 최소화하는 데 중점을 두어 전문 방사선 전문가 수준의 병변 분할 성능를 달성하기 위해.

제안 방법

• 제안된 Res-FCN는 매우 깊은 완전 컨볼루션 네트워크의 훈련을 향상시키기 위해 잔차 학습을 사용하여 기울기 흐름과 훈련 안정성을 개선한다.
• 아트로스 컨볼루션을 적용하여 파rameter 수를 늘리거나 해상도를 낮추지 않고도 수용 영역을 확장한다.
• 이미지 전반의 장거리 맥락적 의존성을 포착하기 위해 글로벌 컨볼루션 네트워크(GCN)를 통합한다.
• 212개의 임상적으로 확보된 다중 모달 MRI 이미지(DWI, ADC, T2WI) 데이터셋을 기반으로 네트워크를 엔드 투 엔드로 훈련한다.
• 잘못된 양성과 잘못된 음성의 균형을 맞추기 위해 임계값 최적화 전략을 적용하며, 딱스 계수와 잘못된 양성/음성 수를 사용해 성능을 평가한다.
• 36명의 환자로 구성된 테스트 세트에서 EDD-Net과 U-Net과의 성능 비교를 위해 표준 지표를 사용한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반의 병변 분할 모델은 다중 모달 MRI에서 고정확도와 낮은 잘못된 음성 비율을 달성할 수 있는가?
• RQ2 아트로스 컨볼루션과 글로벌 컨볼루션 레이어의 통합은 낮은 데이터 환경에서 병변 분할 성능를 어떻게 향상시키는가?
• RQ3 다중 모달 MRI(DWI, ADC, T2WI)를 사용할 경우 단일 모달 입력에 비해 잡음 감소와 탐지 성능 향상에 얼마나 기여하는가?
• RQ4 최신 기술 모델(EDD-Net, U-Net)과 비교했을 때 제안된 Res-FCN는 잘못된 양성과 잘못된 음성 간의 트레이드오프에서 어떤가?
• RQ5 모델의 성능는 잘못된 음성 탐지 측면에서 임상적 방사선 전문의의 성능에 도달할 수 있는가?

주요 결과

• 제안된 Res-FCN는 테스트 데이터셋에서 평균 딱스 계수 0.645를 기록하여 EDD-Net(0.644)과 U-Net(0.557)를 모두 초월했다.
• 모델은 환자당 평균적으로 1.515개의 잘못된 음성 병변만 기록하여 일반적인 임상적 방사선 전문의의 성능에 가까워졌다.
• 임계값 δ=1일 때 Res-FCN는 딱스 계수 0.658을 달성했으며, 환자당 잘못된 양성 2.485개와 잘못된 음성 1.866개를 유지했다.
• Res-FCN는 잘못된 음성 수준이 유사한 EDD-Net 대비 약 2개의 잘못된 양성 감소를 보이며 더 나은 FN-FP 트레이드오프를 보였다.
• 다중 모달 MRI(DWI, ADC, T2WI)의 사용은 단일 시퀀스 방법에 비해 병변 탐지 정확도 향상과 잡음 감소에 크게 기여했다.
• 모델의 성능는 제한된 훈련 데이터에도 불구하고 다양한 환자 스캔에서 강건하게 유지되어 뛰어난 일반화 능력을 보였다.