[논문 리뷰] What is the best data augmentation approach for brain tumor segmentation using 3D U-Net?

Marco Domenico Cirillo, David Abramian외 1명|arXiv (Cornell University)|2020. 10. 26.

Advanced Neural Network Applications참고 문헌 11인용 수 4

한 줄 요약

이 연구는 BraTS 2020 데이터셋을 사용하여 3D U-Net 기반 뇌 종양 세그멘테이션을 위한 데이터 증강 기법을 평가한다. 밝기 증강과 탄성 변형이 각각 최고의 성능을 보이며, 병합된 증강 기법이 단일 기법을 사용할 때보다 추가적인 성능 향상을 제공하지는 않는 것으로 나타났다.

ABSTRACT

Training segmentation networks requires large annotated datasets, which in medical imaging can be hard to obtain. Despite this fact, data augmentation has in our opinion not been fully explored for brain tumor segmentation (a possible explanation is that the number of training subjects (369) is rather large in the BraTS 2020 dataset). Here we apply different types of data augmentation (flipping, rotation, scaling, brightness adjustment, elastic deformation) when training a standard 3D U-Net, and demonstrate that augmentation significantly improves performance on the validation set (125 subjects) in many cases. Our conclusion is that brightness augmentation and elastic deformation works best, and that combinations of different augmentation techniques do not provide further improvement compared to only using one augmentation technique.

연구 동기 및 목표

• 다양한 데이터 증강 기법이 3D U-Net의 뇌 종양 세그멘테이션 성능에 미치는 영향을 조사하기 위해.
• 다중 증강 전략을 병합하는 것이 개별 기법을 사용할 때보다 세그멘테이션 정확도를 향상시키는지 확인하기 위해.
• 데이터 부족 문제가 덜 우려되는 비교적 큰 데이터셋(369명의 환자)에서 증강의 효과를 평가하기 위해.
• 3D 의료 영상 세그멘테이션 작업에서 최적의 증강 사용에 대한 실용적 지침을 제공하기 위해.

제안 방법

• BraTS 2020 데이터셋에서 표준 3D U-Net을 사용해 뇌 종양 세그멘테이션을 수행하였다.
• 다섯 가지 증강 기법을 구현: 뒤집기, 회전, 스케일링, 밝기 조정, 탄성 변형.
• 학습 세트(369명의 환자)에서 각 증강 유형을 개별적으로 적용한 별도의 모델을 훈련시켰다.
• 검증 세트(125명의 환자)에서 표준 세그멘테이션 지표를 사용해 모델 성능을 평가하였다.
• 단일 증강 기법을 사용한 모델과 병합된 증강 기법을 사용한 모델 간 성능을 비교하였다.
• 검증 세트 성능 기반으로 최고의 성능을 보인 증강 전략을 선정하였다.

실험 결과

연구 질문

• RQ1 3D U-Net을 사용한 뇌 종양 세그멘테이션에서 어떤 개별 데이터 증강 기법이 가장 높은 세그멘테이션 성능을 낳는가?
• RQ2 다양한 증강 기법을 병합하는 것이 단일 기법을 사용할 때보다 성능 향상을 이끌어내는가?
• RQ3 상대적으로 많은 수의 표본(369명)이 있는 데이터셋에서 표준 증강 기법의 효과는 어떠한가?
• RQ4 탄성 변형이나 밝기 조정과 같은 특정 증강 유형이 다른 유형보다 더 일관된 성능 향상을 제공하는가?

주요 결과

• 밝기 조정 증강이 검증 세트에서 세그멘테이션 성능 향상에 가장 뚜렷한 기여를 하였다.
• 탄성 변형 역시 강력한 성능 향상을 보이며, 상위 증강 기법 중 하나로 평가되었다.
• 여러 증강 기법을 병합한 경우 단일 기법을 사용한 경우보다 성능 향상이 없었다.
• 뒤집기, 회전, 스케일링은 밝기 조정 및 탄성 변형에 비해 성능 향상 폭이 더 미약하였다.
• 이 연구는 심지어 큰 데이터셋에서도 데이터 증강이 3D U-Net의 일반화 능력을 향상시키는 데 가치 있는 도구임을 확인하였다.
• 가장 우수한 성능은 밝기 조정 또는 탄성 변형을 단독으로 사용했을 때 달성되었다.