[논문 리뷰] A Prior Knowledge Based Tumor and Tumoral Subregion Segmentation Tool for Pediatric Brain Tumors

Silu Zhang, Angela Edwards외 4명|arXiv (Cornell University)|2021. 09. 30.

Brain Tumor Detection and Classification참고 문헌 6인용 수 5

한 줄 요약

이 논문은 레이블이 극도로 부족한 경우에도 학습 데이터에 의존하지 않고 해부학적 및 영상 전문 지식을 활용함으로써 딥 러닝을 회피하는 지식 기반 분할 도구를 제안한다. 이는 ATRT, DIPG, LGG와 같은 소아 뇌종양에 대해 전반적인 종양 분할 성능에서 사전 훈련된 딥 러닝 모델을 뛰어넘으며, 기존 딥 러닝 모델이 지원하지 않는 부분 영역 분할(예: 낭종, 괴사, 출혈)도 가능하게 한다.

ABSTRACT

In the past few years, deep learning (DL) models have drawn great attention and shown superior performance on brain tumor and subregion segmentation tasks. However, the success is limited to segmentation of adult gliomas, where sufficient data have been collected, manually labeled, and published for training DL models. It is still challenging to segment pediatric tumors, because the appearances are different from adult gliomas. Hence, directly applying a pretained DL model on pediatric data usually generates unacceptable results. Because pediatric data is very limited, both labeled and unlabeled, we present a brain tumor segmentation model that is based on knowledge rather than learning from data. We also provide segmentation of more subregions for super heterogeneous tumor like atypical teratoid rhabdoid tumor (ATRT). Our proposed approach showed superior performance on both whole tumor and subregion segmentation tasks to DL based models on our pediatric data when training data is not available for transfer learning.

연구 동기 및 목표

• 레이블이 극도로 부족한 상황에서 희귀 소아 뇌종양을 분할하는 데 도전한다.
• 성인용으로 훈련된 딥 러닝 모델이 소아 종양 영상에 대해 일반화 능력이 떨어지는 문제를 해결한다.
• ATRT와 같이 매우 이질적인 종양에서 낭종, 괴사, 출혈과 같은 세분화된 부분 영역 분할을 가능하게 한다.
• 대규모 훈련 데이터셋이 필요 없이도 해석 가능하고 일반화 능력이 뛰어나며 효율적인 방법을 개발한다.
• 데이터 부족으로 인해 모델 훈련이 어려운 희귀 소아 뇌종양에 대해 딥 러닝의 실질적인 대안을 제공한다.

제안 방법

• 레이블이 있는 데이터에서 학습하는 대신 신경해부학 및 MRI 대조 특성에 기반한 사전 지식을 활용한다.
• 코어지스트레이션, DWI를 이용한 뇌 추출, 비편향 필드 보정을 포함한 영상 전처리를 수행한다.
• FLAIR 및 T1/T2 영상에서 커널 밀도 추정과 이상치 탐지를 활용해 조직 확률 지도(백질, 회색질, 뇌척수액, 기타)를 추정한다.
• ICBM 애틀라스 사전 지식을 ANTs를 통해 환자 공간으로 변환하여 백질과 회색질을 초기화한다.
• FLAIR 히스토그램의 강도 임계값을 이용해 뇌척수액 확률을 추정하며, 뇌척수액의 가장 어두운 신호 특성을 활용한다.
• 보조 확률 추정을 위해 비모수적 추정 기반의 베이지안 추론을 적용하고, 복셀 강도 분포와 이상치 탐지를 기반으로 한 가능도 모델을 사용해 조직 분할를 정밀화한다.

실험 결과

연구 질문

• RQ1 레이블 데이터가 극도로 부족한 상황에서 지식 기반 접근 방식이 사전 훈련된 딥 러닝 모델보다 소아 뇌종양 분할 성능에서 뛰어나게 될 수 있는가?
• RQ2 딥 러닝이나 대규모 훈련 세트 없이도 낭종, 괴사, 출혈과 같은 부분 영역 분할을 신뢰성 있게 달성할 수 있는가?
• RQ3 사전 지식 기반 방법이 소아 종양 데이터셋에서 전이 학습된 딥 러닝 모델과 비교해 어떻게 성능을 내는가?
• RQ4 사전 지식이 희귀 종양 분할에서 일반화 능력과 해석 가능성 향상에 얼마나 기여하는가?
• RQ5 이 방법은 ATRT, DIPG, LGG와 같은 다양한 소아 종양 유형에 대해 최소한의 재구성으로 적용 가능할 수 있는가?

주요 결과

• 제안된 방법은 ATRT에 대해 전반적인 종양 분할에서 평균 DICE 스코어 0.869를 기록하여, 비교한 모든 사전 훈련된 딥 러닝 모델보다 뛰어난 성능을 보였다.
• DIPG 데이터셋에서의 성능은 DICE 스코어 0.869를 기록하여, 두 번째로 좋은 전이 학습 모델(0.870)과 유사했으며, 나머지 모델들(0.56–0.801)보다 유의미하게 뛰어났다.
• ATRT에서의 부분 영역 분할 성능은 강화된 종양(0.842)과 부종(0.815)에서 최고의 평균 DICE 스코어를 기록했고, 괴사, 출혈, 뇌척수액, 낭종 등에 대해서도 합리적인 성능을 보였다.
• 모델 미세조정 없이도 모든 평가된 사전 훈련된 딥 러닝 모델보다 ATRT 및 LGG 데이터셋에서 뛰어난 성능을 보였다.
• 다양한 종양 유형 간 일관된 성능을 보였으며, DIPG에서 ATRT나 LGG보다 더 우수한 결과를 기록했는데, 이는 DIPG가 더 일관된 영상 특성을 지녔기 때문으로 여겨진다.
• 해석 가능한 방법으로, 투명한 의사결정 규칙과 중간 단계의 조직 확률 지도를 제공해 품질 관리 및 모델 디버깅이 가능하다.