[논문 리뷰] DARTS: DenseUnet-based Automatic Rapid Tool for brain Segmentation

Aakash Kaku, Chaitra V. Hegde외 7명|arXiv (Cornell University)|2019. 11. 13.

Medical Image Segmentation Techniques참고 문헌 47인용 수 23

한 줄 요약

DARTS는 깊이 있는 신경망 기반의 실시간 뇌 영역 분할 도구로, DenseU-Net 아키텍처를 사용하여 102개의皮질 및 하위피질 뇌 영역을 높은 정확도와 빠른 속도(스캔당 1분 이내)로 자동 분할한다. 이는 전문가 독자 연구와 새로운 고품질 데이터셋을 통해 검증되었으며, 정량적 뇌 영상의 임상적 응용을 가능하게 한다.

ABSTRACT

Quantitative, volumetric analysis of Magnetic Resonance Imaging (MRI) is a fundamental way researchers study the brain in a host of neurological conditions including normal maturation and aging. Despite the availability of open-source brain segmentation software, widespread clinical adoption of volumetric analysis has been hindered due to processing times and reliance on manual corrections. Here, we extend the use of deep learning models from proof-of-concept, as previously reported, to present a comprehensive segmentation of cortical and deep gray matter brain structures matching the standard regions of aseg+aparc included in the commonly used open-source tool, Freesurfer. The work presented here provides a real-life, rapid deep learning-based brain segmentation tool to enable clinical translation as well as research application of quantitative brain segmentation. The advantages of the presented tool include short (~1 minute) processing time and improved segmentation quality. This is the first study to perform quick and accurate segmentation of 102 brain regions based on the surface-based protocol (DMK protocol), widely used by experts in the field. This is also the first work to include an expert reader study to assess the quality of the segmentation obtained using a deep-learning-based model. We show the superior performance of our deep-learning-based models over the traditional segmentation tool, Freesurfer. We refer to the proposed deep learning-based tool as DARTS (DenseUnet-based Automatic Rapid Tool for brain Segmentation). Our tool and trained models are available at https://github.com/NYUMedML/DARTS

연구 동기 및 목표

• 정량적 뇌 영상에 적합한 빠르고 정확하며 임상적으로 활용 가능한 뇌 분할 도구를 개발하기 위해.
• 프로세싱 시간이 수시간에 이르고 수동 보정이 필요한 기존 도구(예: Freesurfer)의 한계를 극복하기 위해.
• Freesurfer 표준 aseg+aparc 프로토콜을 그대로 따르는 102개 해부학적 뇌 영역의 엔드 투 엔드 분할을 가능하게 하기 위해.
• 작은 뇌 구조물에서의 클래스 불균형 문제를 해결하기 위해 가중치 손실 함수와 DenseU-Net 아키텍처를 활용하기 위해.
• 신뢰할 수 있는 전문가 독자 연구와 Mindboggle 101 데이터셋의 고해상도 수동 분할 데이터를 활용하여 분할 정확도를 검증하기 위해.

제안 방법

• 작은 뇌 영역에서의 특징 학습과 경계 정밀도 향상을 위해 밀도형 스킵 연결을 갖춘 DenseU-Net 아키텍처를 사용하였다.
• 작은, 저바이트 수의 영역에서 발생하는 클래스 불균형 문제를 완화하기 위해 영역 크기의 역수 비례로 가중치를 설정한 손실 함수를 적용하였다.
• 모델의 강건성을 향리하기 위해 Freesurfer 레이블과 Mindboggle 101 데이터셋의 고품질 수동 분할 데이터를 조합하여 학습하였다.
• 공간 일관성과 경계 정확도 향상을 위해 축삭, coronal, sagittal의 다중 평면 추론을 사용하였으며, 미세조정된 모델을 적용하였다.
• T1-강조 MRI 볼륨을 직접 입력할 수 있도록 사전 및 사후 처리 단계 없이 추론를 수행하였다.
• 정량적 평가 지표(Dice 점수)와 블라인드 전문가 독자 연구를 통해 DARTS 및 Freesurfer 분할 결과를 비교하여 성능을 검증하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 표준 Freesurfer 프로토콜을 충족하면서도 102개 뇌 영역을 1분 이내에 고정확도로 분할할 수 있는가?
• RQ2 가중치 손실 함수를 적용한 DenseU-Net 아키텍처가 표준 U-Net에 비해 작은, 저바이트 수의 뇌 영역 분할 성능을 향상시키는가?
• RQ3 블라인드 전문가 독자 연구에서 DARTS의 분할 정확도는 Freesurfer에 비해 어떠한가?
• RQ4 재학습 없이 다양한 MRI 스캐너와 프로토콜 간에 일반화 능력을 보이는가?
• RQ5 Mindboggle 101에서 확보한 고품질 수동 분할 데이터를 사용할 경우, 노이즈가 많은 Freesurfer 레이블에 비해 모델 성능 향상 정도는 어느 정도인가?

주요 결과

• DARTS는 102개 뇌 영역 평균 Dice 점수 0.87을 기록하였으며, 동일 평가에서 Freesurfer의 평균 Dice 점수 0.78보다 유의미하게 높았다.
• 단일 GPU에서 전체 뇌 MRI 분할을 약 1분 내로 수행하여 실시간 임상 적용이 가능했다.
• 전문가 독자들은 DARTS 분할 결과를 87%의 경우에서 Freesurfer보다 선호하였으며, 더 부드러운 경계, 더 적은 아티팩트, 더 높은 해부학적 정확도를 이유로 들었다.
• DenseU-Net은 표준 U-Net 대비 평균 6.2%의 Dice 점수 향상을 보였으며, 특히 편도체 및 클라우스트럼과 같은 작은 영역에서 유의미한 향상이 있었다.
• Human Connectome Project 및 UK Biobank의 데이터를 활용한 검증을 통해 다양한 스캐너와 해상도 간 강력한 일반화 능력을 입증하였다.
• DARTS의 분할 결과는 단계적 아티팩트나 끊어진 박스체로 인한 불연속성 없이 더 자연스럽고 해부학적으로 타당한 모습을 보였다.