[논문 리뷰] A Multiscale Patch Based Convolutional Network for Brain Tumor Segmentation

Jean Stawiaski|arXiv (Cornell University)|2017. 10. 06.

Brain Tumor Detection and Classification참고 문헌 12인용 수 6

한 줄 요약

이 논문은 3D 다중 대비 MR 영상에서 뇌 종양 세분화를 위한 다중 척도 패치 기반 컨volution 신경망을 제안한다. 이는 잔차 연결과 깊은 감독을 포함하며, BRATS 2017 챌린지에서 경쟁적인 95% 허프만 거리(강화 종양: 3.63mm, 전체 종양: 4.10mm, 종양 핵심: 6.81mm)와 DICE 스코어(0.755, 0.900, 0.782)를 달성했으며, 진단 기준의 부드럽게 처리하고 데이터 증강을 통해 더 부드럽고 일관성 있는 세분화를 이룩했다.

ABSTRACT

This article presents a multiscale patch based convolutional neural network for the automatic segmentation of brain tumors in multi-modality 3D MR images. We use multiscale deep supervision and inputs to train a convolutional network. We evaluate the effectiveness of the proposed approach on the BRATS 2017 segmentation challenge where we obtained dice scores of 0.755, 0.900, 0.782 and 95% Hausdorff distance of 3.63mm, 4.10mm, and 6.81mm for enhanced tumor core, whole tumor and tumor core respectively.

연구 동기 및 목표

• 다중 대비 3D MR 영상에서 뇌 종양을 자동으로 세분화하기 위한 효율적이고 정확한 딥 러닝 방법을 개발하는 것.
• 종양의 변동성, 영상의 비균일성, 부분 체적 효과와 같은 의료 영상 세분화 과제를 해결하는 것.
• 다중 척도 깊은 감독과 잔차 연결을 통해 모델 수렴과 특징 학습을 향상시키는 것.
• 진단 기준을 사전 처리하고 노이즈를 포함한 데이터 증강을 통해 훈련 데이터를 처리함으로써 더 부드럽고 해부학적으로 일관된 세분화를 생성하는 것.
• 클래스 불균형과 노이즈가 많은 진단 기준 어노테이션에도 불구하고 BRATS 2017 챌린지에서 강건한 성능을 달성하는 것.

제안 방법

• 네트워크는 원본 3D MR 영상에서 유도된 다중 척도 입력을 사용하여 64³ 볼륨 패치를 처리한다.
• 각 컨볼루션 블록에 잔차 연결을 적용하여 훈련을 안정화하고 기울기 흐름을 향상시킨다.
• 각 컨볼루션 후에 러닝 통계치를 5000개 샘플에 대해 사용하여 배치 정규화를 적용한다.
• 다운샘플링은 가우시안 필터를 통한 따레이트를 통해 수행하고, 업샘플링은 최소 거리 인터폴레이션을 사용한다.
• 각 척도에서 배경 클래스를 제외한 평균 교차 엔트로피와 DICE 계수를 조합한 스케일별 손실 함수를 사용하여 깊은 감독을 가능하게 한다.
• 진단 기준 세분화는 가우시안 커널을 사용하여 수동으로 부드럽게 처리하여 3D 일관성을 향상시키고 노이즈를 감소시켰다.

실험 결과

연구 질문

• RQ1 잔차 연결과 깊은 감독을 갖춘 다중 척도 패치 기반 CNN이 3D MR 영상에서 뇌 종양 세분화에 경쟁적인 성능을 낼 수 있는가?
• RQ2 노이즈가 많은 진단 기준이 존재하는 상황에서 다중 척도에 걸친 깊은 감독이 수렴과 세분화 정확도를 어떻게 향상시키는가?
• RQ3 진단 기준을 부드럽게 하고 노이즈를 포함한 증강을 통해 예측된 종양 경계의 밀도와 일관성은 어느 정도 향상되는가?
• RQ4 BRATS 2017 벤치마크에서 최신 기술 대비 제안된 방법은 DICE 스코어와 허프만 거리 측면에서 어떻게 비교되는가?
• RQ5 기하학적 정확도 지표인 허프만 거리 측면에서 더 간단한 아키텍처가 더 복잡한 모델을 능가할 수 있는가?

주요 결과

• 제안된 방법은 BRATS 2017 검증 세트에서 강화 종양(ET)에 대해 DICE 스코어 0.755, 전체 종양(WT)에 대해 0.900, 종양 핵심(TC)에 대해 0.782를 달성했다.
• 95% 허프만 거리는 ET에 대해 3.63mm, WT에 대해 4.10mm, TC에 대해 6.81mm였으며, 이는 높은 기하학적 정확도를 의미한다.
• 진단 기준 사전 처리와 데이터 증강 덕분에 원래의 노이즈가 많은 진단 기준보다 더 부드럽고 밀도 있는 세분화 결과를 도출했다.
• 모델은 허프만 거리 지표에서 뛰어난 성능을 보였으며, 이 특정 지표에서 몇몇 최상의 방법들을 능가했다.
• 비교적 격자 없는 64³ 패치를 사용하여 3D MR 영상당 추론 시간이 약 5초였다.
• 중간 정도의 DICE 스코어에도 불구하고, 특히 종양 경계에서 시각적으로 일관되고 해부학적으로 타당한 세분화를 생성했다.