[논문 리뷰] CNN-based Segmentation of Medical Imaging Data

Baris Kayalibay, Grady W. Jensen외 1명|arXiv (Cornell University)|2017. 01. 11.

AI in cancer detection참고 문헌 35인용 수 144

한 줄 요약

논문은 의료 영상용 3D CNN 기반 분할 방법을 제시하며, 3D 데이터 처리, 데이터 부족 문제, 클래스 불균형 문제에 대응하기 위해 U-Net 유사 구조를 적응시키고, 손 MRI 뼈 및 BRATS 뇌 종양 데이터셋에서 평가합니다.

ABSTRACT

Convolutional neural networks have been applied to a wide variety of computer vision tasks. Recent advances in semantic segmentation have enabled their application to medical image segmentation. While most CNNs use two-dimensional kernels, recent CNN-based publications on medical image segmentation featured three-dimensional kernels, allowing full access to the three-dimensional structure of medical images. Though closely related to semantic segmentation, medical image segmentation includes specific challenges that need to be addressed, such as the scarcity of labelled data, the high class imbalance found in the ground truth and the high memory demand of three-dimensional images. In this work, a CNN-based method with three-dimensional filters is demonstrated and applied to hand and brain MRI. Two modifications to an existing CNN architecture are discussed, along with methods on addressing the aforementioned challenges. While most of the existing literature on medical image segmentation focuses on soft tissue and the major organs, this work is validated on data both from the central nervous system as well as the bones of the hand.

연구 동기 및 목표

• 의료 영상에서 3D 필터를 사용하는 CNN 기반 분할 방법을 시연한다.
• 다중 스케일 맵 및 대체 스킵 연결을 포함한 U-Net의 아키텍처 수정점을 조사한다.
• 훈련 전략과 손실 설계를 통해 의료 영상에서 내재된 데이터 부족 및 클래스 불균형을 다룬다.
• 손 뼈 분할 및 뇌 종양 분할 데이터셋(BRATS)에서 접근법을 검증한다.]
• method_prepended_by_header_
• method_
• research_questions
• key_findings
• table_headers
• table_rows

제안 방법

• 수축-확장 경로와 긴 스킵 연결을 가진 완전 컨볼루션 3D 네트워크를 사용한다.
• 긴 스킵 연결 전략을 요소별 합산과 연결(concatenation)으로 비교한다.
• 다양한 스케일에서 생성된 분할 맵을 결합해 수렴 속도를 높이는 실험을 한다.
• 클래스 불균형을 다루기 위해 다이스/자카드 지표와 밀접한 손실을 사용한다.
• 데이터 부족을 완화하기 위해 무작위 변환을 이용한 데이터 증강을 적용한다.
• 메모리 한계가 있을 때 대용량 3D 이미지를 영역으로 나누거나 다운샘플링으로 처리한다.]
• research_questions_prepended_by_header_
• research_questions
• key_findings
• table_headers
• table_rows

실험 결과

연구 질문

• RQ1 3D CNN 기반 분할이 손 MRI 뼈 분할과 BRATS 뇌 종양 분할에서 어떤 성능 차이를 보이는가?
• RQ2 긴 스킵 연결에서 요소별 합산과 연결(concatenation)의 사용이 분할 정확도에 어떤 영향을 미치는가?
• RQ3 다양한 스케일에서의 분할 맵을 결합하는 것이 수렴 및 정확도를 향상시키는가?
• RQ4 3D 의료 영상 분할에서 클래스 불균형을 효과적으로 다루기 위해 다이스/자카드에서 영감을 받은 손실이 유용한가?
• RQ5 대형 의학 볼륨에서 3D CNN의 학습 및 배치 시 메모리 제약을 처리하는 효과적인 전략은 무엇인가?

주요 결과

• 긴 스킵 연결 및 다중 스케일 분할 맵을 사용하는 3D CNN은 손 데이터와 BRATS 데이터에서 효과적으로 학습될 수 있다.
• 긴 스킵 연결에 대한 요소별 합산과 연결 간의 성능 차이를 비교한다.
• 다양한 스케일의 분할 맵을 결합하면 수렴 속도가 빨라지고 학습에 도움이 된다.
• 의료 영상에서 흔히 발생하는 극심한 클래스 불균형을 다루기 위해 다이스/자카드와 유사한 손실을 적용한다.
• 데이터 부족과 메모리 요구를 다루기 위해 데이터 증강과 다운샘플링 전략을 사용한다.]
• table_headers_prepended_by_header_
• table_headers
• table_rows