[논문 리뷰] A deep learning classification scheme based on augmented-enhanced features to segment organs at risk on the optic region in brain cancer patients

José Dolz, Nicolas Reyns외 5명|arXiv (Cornell University)|2017. 03. 30.

Brain Tumor Detection and Classification참고 문헌 11인용 수 8

한 줄 요약

이 연구는 뇌암 환자의 MRI에서 위험 요소가 되는 중요한 기관—시신경, 시교차, 뇌경련선, 뇌경련봉을 자동으로 분할하기 위해 증강 강화 특징(AE-FV)을 사용하는 딥러닝 분류 기법을 제안한다. 전통적, 문맥적, 텍스처 특징을 스택드 노이즈 제거 오토에인코더 프레임워크에 통합함으로써, 평균 DSC 스코어가 0.79~0.83에 달하며, 전통적 특징과 SVM보다 더 빠르고 일관성 있는 결과를 도출한다.

ABSTRACT

Radiation therapy has emerged as one of the preferred techniques to treat brain cancer patients. During treatment, a very high dose of radiation is delivered to a very narrow area. Prescribed radiation therapy for brain cancer requires precisely defining the target treatment area, as well as delineating vital brain structures which must be spared from radiotoxicity. Nevertheless, delineation task is usually still manually performed, which is inefficient and operator-dependent. Several attempts of automatizing this process have reported. however, marginal results when analyzing organs in the optic region. In this work we present a deep learning classification scheme based on augmented-enhanced features to automatically segment organs at risk (OARs) in the optic region -optic nerves, optic chiasm, pituitary gland and pituitary stalk-. Fifteen MR images with various types of brain tumors were retrospectively collected to undergo manual and automatic segmentation. Mean Dice Similarity coefficients around 0.80 were reported. Incorporation of proposed features yielded to improvements on the segmentation. Compared with support vector machines, our method achieved better performance with less variation on the results, as well as a considerably reduction on the classification time. Performance of the proposed approach was also evaluated with respect to manual contours. In this case, results obtained from the automatic contours mostly lie on the variability of the observers, showing no significant differences with respect to them. These results suggest therefore that the proposed system is more accurate than other presented approaches, up to date, to segment these structures. The speed, reproducibility, and robustness of the process make the proposed deep learning-based classification system a valuable tool for assisting in the delineation task of small OARs in brain cancer.

연구 동기 및 목표

• 뇌암 방사선 치료 중 작은 복잡한 기관 위험 요소(OAR)인 시 영역의 수동, 시간 소모적이고 변동성이 큰 분할 문제를 해결하기 위해.
• 이전 방법이 성공을 거두지 못한 작은 OAR—시신경, 교차, 뇌경련선, 뇌경련봉의 자동 분할 정확도를 향상시키기 위해.
• 수작업 특징(문맥적, 텍스처적)을 딥러닝 표현과 통합하여 저대비, 이질적인 뇌 구조에서 특징의 구분 능력을 향상시키기 위해.
• 임상 방사선 치료 계획에 적합한 빠르고 견고하며 재현 가능한 분할 시스템을 개발하기 위해.
• 수작업 윤곽선과의 비교를 통해 성능을 평가하고 기존 최첨단 접근법에 비해 동등하거나 슈퍼리어한 결과를 입증하기 위해.

제안 방법

• 스택드 노이즈 제거 오토에인코더(SDA)를 사용하여 MRI 패치에서 계층적이고 구분 가능한 특징을 학습함으로써, 표준 CNN 대신 특징 공학에 기반한 아키텍처를 도입한다.
• 전통적 특징(강도, 위치)과 문맥적, 텍스처적 특징을 조합하여 증강 강화 특징 벡터(AE-FV)를 구성함으로써 표현 능력을 향상시킨다.
• AE-FV를 딥 네ural 네트워크에 입력하여 분류를 수행함으로써, 저대비 영역에서 미세한 해부학적 패턴을 포착할 수 있도록 한다.
• 수작업 분할을 기준으로 삼아, 다양한 종양 유형을 가진 15건의 후행적 뇌 MRI 스캔에서 모델을 훈련 및 검증한다.
• Dice 유사도 계수(DSC), 하우스도르프 거리, 표면 거리 지표를 사용하여 성능을 평가하고, 수작업 윤곽선과의 통계적 비교를 수행한다.
• 다중 모odal 영상(예: CT-MR 융합)에 의존하지 않아 처리 속도를 향상시키고 임상 통합을 개선한다.

실험 결과

연구 질문

• RQ1 수작업 특징(문맥적, 텍스처적)을 딥러닝과 통합함으로써, 시 영역의 작은 복잡한 OAR에 대한 분할 정확도를 향상시킬 수 있는가?
• RQ2 제안된 AE-FV 기반 딥러닝 모델은 전통적 기계학습 방법(SVM 등)에 비해 분할 성능과 처리 시간에서 어떻게 비교되는가?
• RQ3 이 방법은 수작업 분할과 비교했을 때 관찰자 간 변동성 측면에서 어느 정도 유사한 결과를 도출하는가?
• RQ4 이 방법은 기존의 애틀라스 기반 또는 모델 기반 접근법보다 시신경, 교차, 뇌경련선 구조의 분할에서 슈퍼리어한 성능을 보이는가?
• RQ5 CT 및 MRI 등의 다중 모달 이미지 융합이 필요 없이도 높은 정확도를 달성할 수 있는가?

주요 결과

• 제안된 딥러닝 방법은 시신경에 대해 평균 DSC 스코어 0.79, 시교차에 대해 0.83, 뇌경련선에 대해 0.76, 뇌경련봉에 대해 0.77를 기록했다.
• 증강 강화 특징(AE-FV)을 통합함으로써, 전통적 특징만을 사용한 경우보다 분할 성능이 유의미하게 향상되었다.
• 정확도와 처리 시간 모두에서 지지 벡터 머신(SVM)보다 뛰어나며, 런에 따른 결과 변동성이 적었다.
• 대부분의 경우 자동 분할 결과는 수작업 윤곽선과 통계적으로 구분되지 않아 임상 적용 가능성을 시사했다.
• 이 방법은 견고성과 빠른 처리 속도를 입증하였으며, 이전의 애틀라스 기반 접근법 대비 분류 시간을 크게 단축시켰다(예: 유사 연구 대비 약 20분 이내 대비 약 20분).
• 가장 성능이 열악한 케이스에서도 DSC 값이 0.55~0.60 이상을 유지하여, 자동 윤곽선이 수작업 기준에 대해 신뢰할 수 있는 근사치임을 입증했다.