[논문 리뷰] White matter hyperintensity and stroke lesion segmentation and differentiation using convolutional neural networks

Ricardo Guerrero, Chen Qin외 9명|arXiv (Cornell University)|2017. 06. 03.

Brain Tumor Detection and Classification참고 문헌 59인용 수 18

한 줄 요약

이 논문은 FLAIR MRI 스캔에서 백질부분의 고강도 병변(WMH)을 동시에 세분화하고 뇌경색 병변과 구분하는 완전 컨volution 신경망인 uResNet을 제안한다. 이 모델은 WMH의 평균 Dice 점수 66.9±18.1과 뇌경색 병변의 평균 Dice 점수 40.0±25.2를 기록하며 최신 기술 수준을 초월하며 전문가 평가 및 임상 결과와 강한 상관관계를 보였다.

ABSTRACT

The accurate assessment of White matter hyperintensities (WMH) burden is of crucial importance for epidemiological studies to determine association between WMHs, cognitive and clinical data. The manual delineation of WMHs is tedious, costly and time consuming. This is further complicated by the fact that other pathological features (i.e. stroke lesions) often also appear as hyperintense. Several automated methods aiming to tackle the challenges of WMH segmentation have been proposed, however cannot differentiate between WMH and strokes. Other methods, capable of distinguishing between different pathologies in brain MRI, are not designed with simultaneous WMH and stroke segmentation in mind. In this work we propose to use a convolutional neural network (CNN) that is able to segment hyperintensities and differentiate between WMHs and stroke lesions. Specifically, we aim to distinguish between WMH pathologies from those caused by stroke lesions due to either cortical, large or small subcortical infarcts. As far as we know, this is the first time such differentiation task has explicitly been proposed. The proposed fully convolutional CNN architecture, is comprised of an analysis path, that gradually learns low and high level features, followed by a synthesis path, that gradually combines and up-samples the low and high level features into a class likelihood semantic segmentation. Quantitatively, the proposed CNN architecture is shown to outperform other well established and state-of-the-art algorithms in terms of overlap with manual expert annotations. Clinically, the extracted WMH volumes were found to correlate better with the Fazekas visual rating score. Additionally, a comparison of the associations found between clinical risk-factors and the WMH volumes generated by the proposed method, were found to be in line with the associations found with the expert-annotated volumes.

연구 동기 및 목표

• FLAIR MRI 스캔에서 백질부분의 고강도 병변(WMH)과 뇌경색 병변을 동시에 세분화하고 이를 구분할 수 있는 완전 자동화된, 작업에 특화된 방법을 개발하는 것.
• 기존 방법이 WMH와 뇌경색 병변을 구분하지 못해 임상적으로 제한적인 점을 해결하는 것 — 이들은 서로 다른 병리학적 기전과 치료의미를 가진다.
• epidemiological 연구, 임상 시험 및 종단적 평가에 활용 가능한 WMH 부담의 정확성과 신뢰도를 향상시키는 것.
• 경쟁 자동화 방법보다 Fazekas 시각 평가 점수 및 임상 위험 요인과 더 나은 상관관계를 달성하는 것.
• 전문 방사선의사가 수행하는 시간이 많이 소요되는 수작업 세분화에 의존도를 줄일 수 있는 임상적으로 적용 가능한 솔루션을 제공하는 것.

제안 방법

• 제안된 방법은 특징 추출을 위한 인코더 경로와 특징 융합 및 업샘플링을 위한 디코더 경로를 가진 uResNet이라는 완전 컨volution형 U-Net 유사 아키텍처를 사용한다.
• 모델은 병변 유형별로 병변 유형의 병렬 확률을 예측하기 위해 복수 클래스 교차 엔트로피 손실 함수를 사용하여 엔드 투 엔드로 훈련된다.
• 작거나 비정상적인 형태의 병변에 특히 유리하도록, 훈련 중에 패치 이동(비중심 샘플링)을 통한 데이터 증강 기법을 적용한다.
• 병변 국소화를 향상시키기 위해 FLAIR, T1 강조, 백질 확률 지도, 뇌척수액(CSF) 아틀라스를 포함한 다중 대비 MRI 데이터를 사용하여 훈련한다.
• 완전 컨볼루션 설계 덕분에 패치 기반 추론 없이 전체 3D 볼륨에 걸쳐 조밀한 예측이 가능해 공간 일관성이 보장된다.
• 깊은 아키텍처에서 훈련 안정성과 기울기 흐름 향상을 위해 인코더에 잔차 블록(ResNet 스타일)을 사용한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 FLAIR MRI 스캔에서 백질부분의 고강도 병변과 뇌경색 병변을 효과적으로 구분할 수 있는가?
• RQ2 제안된 uResNet 모델이 기존 최신 기술 수준의 방법보다 WMH 및 뇌경색 병변 세분화 성능에서 뛰어난가?
• RQ3 uResNet로 자동화된 WMH 부피가 전문가가 애너테이션한 부피 및 Fazekas 시각 평가 점수와 어느 정도 상관되는가?
• RQ4 자동화된 WMH 부피가 연령, 고혈압, 인지 기능 등의 알려진 임상적 연관성과 얼마나 잘 일치하는가?
• RQ5 훈련 중 비중심 패치 샘플링을 사용할 경우, 작은 또는 비정상적인 병변에 대한 모델의 일반화 능력과 성능이 향상되는가?

주요 결과

• uResNet 모델은 WMH의 평균 Dice 점수 66.9±18.1과 뇌경상 병변의 평균 Dice 점수 40.0±25.2를 기록하며, DeepMedic 및 기타 최신 기술 수준의 모델을 포함한 기준 모델들보다 유의미하게 뛰어난 성능을 보였다.
• 자동화된 WMH 부피와 Fazekas 시각 평가 점수 간 상관계수(CC = 0.824)는 경쟁 방법보다 높았으며, 전문가가 애너테이션한 부피와 관찰된 상관관계와 유사했다.
• 모델는 WMH 부피와 연령, 고혈압 등의 위험 요인 간의 관계가 전문가가 애너테이션한 부피와 유사하게 나타나 임상적 타당성이 높았다.
• 비중심 패치 샘플링을 사용함으로써 성능 향상이 있었으며, 이는 정규 샘플링 대비 유의미한 Dice 점수 증가(p<0.001)를 보였다.
• 다양한 입력 대비(예: T1, CSF 아틀라스, WM 지도)를 추가하면 성능 향상이 있었지만, 이는 제한적이며 계산 비용 증가를 수반하여 FLAIR 단독으로도 강력한 세분화가 가능하다는 것을 시사했다.
• 광범위한 하이퍼파rameter 튜닝에도 불구하고, 동일한 훈련 환경에서 DeepMedic는 수렴하거나 안정된 결과를 도출하지 못했으며, 이는 uResNet의 훨씬 뛰어난 훈련 안정성을 시사한다.