[논문 리뷰] Autoencoders for Multi-Label Prostate MR Segmentation

Ard de Gelder, Henkjan Huisman|arXiv (Cornell University)|2018. 06. 09.

Medical Image Segmentation Techniques참고 문헌 2인용 수 7

한 줄 요약

이 논문은 다중 레이블 프로스타트 MRI 분할을 위해 3D-UNet에 사전 훈련된 3D 컨volution 오토인코더를 글로벌 정규화 손실로 통합하여 해부학적 타당성을 강제함으로써 분할 정확도를 향상시킨다. 이 방법은 외측부위(PZ)의 DICE 스코어를 0.60에서 0.67로 0.07 향상시켜, 오토인코더 기반 글로벌 사전 지식이 특히 도전적인 해부학적 영역에서 성능 향상에 기여함을 보여준다.

ABSTRACT

Organ image segmentation can be improved by implementing prior knowledge about the anatomy. One way of doing this is by training an autoencoder to learn a lowdimensional representation of the segmentation. In this paper, this is applied in multi-label prostate MR segmentation, with some positive results.

연구 동기 및 목표

• 딥 러닝 모델에 해부학적 사전 지식을 통합하여 다중 레이블 프로스타트 MRI 분할 정확도를 향상시키는 것.
• 사전 훈련된 오토인코더가 3D-UNet의 성능을 향상시키기 위해 글로벌 정규화 손실로 기능할 수 있는지 조사하는 것.
• 다중 영상에서 전이부위(TZ)와 외측부위(PZ) 사이의 미세한 경계 문제를 해결하는 것.
• 오토인코더 기반 글로벌 감독이 3D 의료 영상에서 작은, 불균형한 구조의 분할에 미치는 영향을 평가하는 것.

제안 방법

• 기본 분할 네트워크로 3D-UNet 아키텍처를 사용하며, 이sovolumetric MRI 해상도를 처리하기 위해 일부 3D 컨볼루션을 2D 컨볼루션으로 대체한다.
• 완전 컨volution 오토인코더는 수동 분할 결과를 기반으로 별도로 훈련하여 36×36×18 분할을 9×9×5 잠재 인코딩으로 압축한다.
• 오토인코더의 잠재 표현을 3D-UNet 훈련 중에 글로벌 손실을 계산하는 데 사용하며, 픽셀 단위 손실 대비 0.2의 가중 요소를 적용한다.
• 픽셀 단위 손실은 배경(1), TZ(2), PZ(6)의 클래스 가중치를 적용한 가중 카테고리컬 크로스엔트로피를 사용하여 클래스 불균형 문제를 해결한다.
• 오토인코더는 이진 크로스엔트로피 손실과 Adam 옵timizer를 사용해 100 에포크 동안 훈련한 후 3D-UNet 훈련 파이프라인에 통합된다.
• 3D-UNet은 학습률 0.0001, L2 커널 정규화, 병합된 손실 목표를 사용해 300 에포크 동안 훈련된다.

실험 결과

연구 질문

• RQ1 사전 훈련된 오토인코더가 다중 레이블 프로스타트 MRI 분할에서 3D-UNet의 일반화 및 정확도를 향상시킬 수 있는가?
• RQ2 오토인코더 복원 손실을 통한 글로벌 해부학적 사전 지식 통합이, 미세한 경계로 인해 특히 도전적인 외측부위(PZ)의 분할 성능을 향상시키는가?
• RQ3 오토인코더 기반 글로벌 손실의 기여도가 전통적인 픽셀 단위 감독 대비 DICE 스코어 향상 측면에서 어떻게 다른가?
• RQ4 오토인코더의 성능 향상 효과가 입력 해상도와 척도에 따라 달라지며, 특히 입력 크기가 감소한 경우에 영향을 받는가?

주요 결과

• 오토인코더 기반 글로벌 손실을 사용해 훈련한 3D-UNet은 전이부위(TZ)에서 DICE 스코어 0.85를 기록하여 기준 3D-UNet과 동일한 성능을 보였다.
• 외측부위(PZ)의 경우, 오토인코더 통합으로 인해 DICE 스코어가 기준값 0.60에서 0.67로 향상되어 통계적으로 의미 있는 개선을 보였다.
• 오토인코더는 TZ를 평균 DICE 0.95로, PZ를 DICE 0.85로 재구성하여 수동 분할 결과에 대해 강력한 재구성 능력을 보였다.
• 전반적인 개선 폭은 미미했으며, 입력 해상도가 이미 크게 다운샘플링된 상태에서 오토인코더의 효과가 제한적일 수 있음을 시사했다.
• 저자들은 입력 이미지의 해상도가 더 높을 경우 오토인코더의 영향력이 더 클 수 있다고 제안하며, 현재의 해상도 감소로 인해 그 효과가 약화되었을 수 있음을 지적했다.
• 저자들은 훈련 중에 글로벌 손실의 가중치를 점진적으로 감소시키는 것이 성능 향상에 더 기여할 수 있을 것으로 제안하며, 초기 훈련 단계에서 글로벌 신호가 가장 중요하기 때문이라고 설명했다.