[논문 리뷰] White matter hyperintensity segmentation from T1 and FLAIR images using fully convolutional neural networks enhanced with residual connections

Dakai Jin, Ziyue Xu외 2명|arXiv (Cornell University)|2018. 03. 19.

Advanced Neuroimaging Techniques and Applications참고 문헌 8인용 수 5

한 줄 요약

이 논문은 잔차 연결을 갖춘 경량형 완전 컨volution 신경망인 ResU-Net을 제안하여 T1 및 FLAIR MRI 스캔을 조합한 자료에서 백질 초음성 병변(WMHs)을 세분화한다. 잔차 학습과 다중 대trast 입력을 활용함으로써, 최상의 Hausdorff 거리 및 평균 볼륨 차이 점수를 기록하며, 훈련에 사용되지 않은 MRI 스캐너에서도 최신 기술 수준의 일반화 성능을 달성한다.

ABSTRACT

Segmentation and quantification of white matter hyperintensities (WMHs) are of great importance in studying and understanding various neurological and geriatric disorders. Although automatic methods have been proposed for WMH segmentation on magnetic resonance imaging (MRI), manual corrections are often necessary to achieve clinically practical results. Major challenges for WMH segmentation stem from their inhomogeneous MRI intensities, random location and size distributions, and MRI noise. The presence of other brain anatomies or diseases with enhanced intensities adds further difficulties. To cope with these challenges, we present a specifically designed fully convolutional neural network (FCN) with residual connections to segment WMHs by using combined T1 and fluid-attenuated inversion recovery (FLAIR) images. Our customized FCN is designed to be straightforward and generalizable, providing efficient end-to-end training due to its enhanced information propagation. We tested our method on the open WMH Segmentation Challenge MICCAI2017 dataset, and, despite our method's relative simplicity, results show that it performs amongst the leading techniques across five metrics. More importantly, our method achieves the best score for hausdorff distance and average volume difference in testing datasets from two MRI scanners that were not included in training, demonstrating better generalization ability of our proposed method over its competitors.

연구 동기 및 목표

• 뇌 MRI에서 자동 백질 초음성 병변(WMH) 세분화를 위한 강건하고 일반화 가능한 방법을 개발하기 위해.
• 강도 비균일성, 병변 크기 및 위치의 변동성, WMH 세분화에서의 노이즈와 같은 과제를 해결하기 위해.
• 특정 데이터셋에 과적합되지 않도록, 잔차 연결과 다중 대비(T1 및 FLAIR) 입력을 통해 세분화 성능를 향상시키기 위해.
• 특정 챌린지 도전 대회를 넘어서 실제 임상 현장에서의 구현을 가능하게 하기 위해, 훈련에 사용되지 않은 MRI 스캐너에 대해서도 잘 일반화되는 것을 확보하기 위해.
• 복잡한 작업 특화 모델들과 경쟁할 수 있는 성능를 유지하면서도, 계산 효율성과 아키텍처의 단순성을 유지하기 위해.

제안 방법

• 두 단계로 구성된 파이프라인을 사용한다: 첫 번째 단계에서는 형태학적 정제를 거친 트리밍된 U-Net이 T1 가중 영상에서 백질 영역을 세분화한다.
• 두 번째 단계에서는 T1 및 FLAIR 영상을 융합하여 훈련한 잔차 U-Net(ResU-Net)을 사용하여 WMHs를 세분화하며, 스케일 연결을 통해 더 나은 기울기 흐름을 가능하게 한다.
• 잔차 블록은 입력을 직접 잔차 함수에 더하는 단순 경로 연결을 통해 구현되며, 식은 $ x_{\ell+1} = x_\ell + \mathcal{F}(x_\ell, \mathcal{W}_\ell) $ 로 표현되며, 이는 훈련 안정성과 특징 학습을 향상시킨다.
• 교차 엔트로피 손실을 사용한 확률적 경사 하강법을 통해 엔드 투 엔드로 네트워크를 훈련시켜 효율적이고 강건한 최적화를 달성한다.
• 강화된 강도 변동성과 스캐너 간 차이에 대한 내성을 확보하기 위해 데이터 증강 및 정규화 기법을 적용한다.
• 후처리 단계로 형태학적 연산과 백질 세분화 기반의 관심 영역 마스킹을 수행하여 WMH 탐지 범위를 제한한다.

실험 결과

연구 질문

• RQ1 잔차 연결을 갖춘 단순한 완전 컨볼루션 네트워크가 광범위한 아키텍처 최적화 없이도 높은 성능을 달성할 수 있는가?
• RQ2 T1 및 FLAIR 대비를 통합함으로써 단일 대비 접근법에 비해 WMH 탐지 성능가 향상되는가?
• RQ3 제안된 방법이 훈련 중에 접촉하지 않은 MRI 스캐너의 데이터에 얼마나 잘 일반화되는가?
• RQ4 잔차 연결의 사용이 거짓 양성 결과를 줄이고 미세한 크기의 WMHs를 개선하는 데 기여하는가?
• RQ5 경량형이고 일반적인 네트워크가 복잡한 챌린지 최적화 모델보다 실제 현장 적용 상황에서 더 나은 성능를 보일 수 있는가?

주요 결과

• 제안된 방법인 nih_cidi_2는 MICCAI 2017 WMH 세분화 챌린지의 주 테스트 세트에서 22개 참가자 중 4위를 기록했다.
• GE 1.5T 및 PETMR와 같은 두 개의 새로운 MRI 스캐너에서, 상위 5개 방법 중에서 최고의 Hausdorff 거리(H95) 및 평균 볼륨 차이(AVD%) 점수를 확보했다.
• 비록 Dice 점수가 약간 하락했지만, 다른 상위 팀들이 최소 3개 이상의 지표에서 3% 이상의 하락을 겪은 것과 비교해, 이는 매우 미미한 하락(≤3%)이었다.
• 광범위한 후처리와 높은 계산 비용이 수반되는 복잡한 피처 기반 모델들인 nlp_logix 및 nic-vicorob보다도 성능가 뛰어났다.
• 잔차 연결을 갖춘 ResU-Net 아키텍처는 기준 U-Net에 비해 미세한 크기의 WMHs를 더 잘 탐지하고 거짓 양성 결과를 줄였다.
• 실제 임상 적용에 적합함을 입증하며, 훈련에 사용되지 않은 스캐너에서 성능 저하가 거의 없이 강력한 일반화 성능를 보였다.