[논문 리뷰] Deep Neural Networks for Anatomical Brain Segmentation

Alexandre de Brébisson, Giovanni Montana|arXiv (Cornell University)|2015. 02. 09.

Medical Image Segmentation Techniques참고 문헌 16인용 수 66

한 줄 요약

이 논문은 비선형 정렬을 필요로 하지 않고, 다중 척도 3D 및 2D 강도 패치, 압축된 패치, 중심점 거리 등을 사용하여 전체 뇌 해부학적 분할을 위한 딥 신경망을 제안한다. 이는 국소적이고 전역적인 공간 일관성을 강제한다. MICCAI 2012 데이터셋에서 평균 딱지 계수 0.725를 달성하여, 복잡한 정렬 단계에 의존하지 않음에도 불구하고 그 시절 최고 수준의 성능을 보였다.

ABSTRACT

We present a novel approach to automatically segment magnetic resonance (MR) images of the human brain into anatomical regions. Our methodology is based on a deep artificial neural network that assigns each voxel in an MR image of the brain to its corresponding anatomical region. The inputs of the network capture information at different scales around the voxel of interest: 3D and orthogonal 2D intensity patches capture the local spatial context while large, compressed 2D orthogonal patches and distances to the regional centroids enforce global spatial consistency. Contrary to commonly used segmentation methods, our technique does not require any non-linear registration of the MR images. To benchmark our model, we used the dataset provided for the MICCAI 2012 challenge on multi-atlas labelling, which consists of 35 manually segmented MR images of the brain. We obtained competitive results (mean dice coefficient 0.725, error rate 0.163) showing the potential of our approach. To our knowledge, our technique is the first to tackle the anatomical segmentation of the whole brain using deep neural networks.

연구 동기 및 목표

• 전체 뇌 MRI를 해부학적 영역으로 자동으로 분할하는 완전히 자동화된, 정렬이 없는 방법을 개발하기 위해.
• 특히 계산 비용이 많이 들고 오류가 발생하기 쉬운 비선형 정렬에 의존하는 다중 아틀라스 방법의 한계를 해결하기 위해.
• 딥 신경망을 활용하여 원시 MRI 데이터에서 계층적 특징을 직접 학습함으로써 분할 정확도와 일반화 능력을 향상시키기 위해.
• 후처리 기법이 아닌 입력 수준의 특징을 통해 전역 공간 일관성을 강제함으로써 복잡성을 줄이기 위해.
• MICCAI 2012 다중 아틀라스 챌린지 데이터셋을 대상으로 성능을 평가하기 위해, 뇌 분할 분야의 표준 벤치마크이다.

제안 방법

• 모델은 다중 입력 유형을 사용하는 깊이 신뢰형 신경망으로, 각 볼륨에 대해 국소 3D 구조를 캡처하기 위해 3D 및 상호 수직 2D 강도 패치를 사용한다.
• 메모리 사용을 줄이면서도 전역 공간 관계를 학습하기 위해 볼륨 강도의 압축된 2D 수직 패치를 통합한다.
• 각 해부학적 영역의 중심점까지의 거리를 볼륨에서의 거리로 사용하여 전역 공간 일관성을 강제하는 추가 입력 특징으로 활용한다.
• 정규화되지 않은 로그우도를 손실 함수로 사용하여 엔드 투 엔드로 네트워크를 훈련시키며, 명시적 후처리 또는 CRF 정밀 조정이 없이 진행된다.
• 훈련 중 중심점까지의 거리에 노이즈 층을 적용하여 견고성과 일반화 능력을 향상시킨다.
• 3D 컨볼루션을 피하기 위해 수직 2D 패치를 사용함으로써 메모리 소비를 크게 줄이면서도 3D 공간 이해를 유지한다.

실험 결과

연구 질문

• RQ1 비선형 영상 정렬이 필요 없이 딥 신경망이 경쟁적인 전체 뇌 분할 성능을 달성할 수 있는가?
• RQ2 다중 척도 강도 패치와 중심점 기반 거리 특징은 국소 및 전역 공간 구조를 얼마나 효과적으로 캡처하는가?
• RQ3 CRF와 같은 후처리 기법이 아닌 입력 특징을 통해 전역 공간 일관성을 강제할 수 있는가?
• RQ4 훈련 데이터에 존재하지 않는 비정상적인 뇌 구조에 대해 모델이 잘 일반화되는가?
• RQ5 뇌 MRI의 구조적 규칙성 덕분에 제한된 훈련 데이터로도 높은 성능를 달성할 수 있는가?

주요 결과

• 모델은 MICCAI 2012 데이터셋에서 평균 딱지 계수 0.725를 달성하여 챌린지에서 기준 다중 아틀라스 방법을 능가했다.
• 세 개의 상호 수직 2D 패치 사용이 개별 2D 또는 3D 패치보다 성능을 크게 향상시켰으며, 3D 구조를 메모리 효율적으로 모델링하는 방법이었다.
• 압축된 강도 패치와 영역 중심점까지의 거리 특징 둘 다 전역 일관성에 기여했으며, 두 특징은 상호 보완적이지만 대부분 중복되었다.
• 훈련 데이터에 과적합되었음에도 불구하고, 뇌 MRI 간 높은 구조적 유사성 덕분에 모델이 잘 일반화되었다.
• 비선형 정렬이 필요하지 않아서, 위축 또는 병변과 같은 구조적 이상에 더 견고할 가능성이 높다.
• 가중 손실 함수와 클래스 균형 샘플링이 성능 향상에 크게 기여하지 않아, 이 작업에 대해 표준 음의 로그우도 손실 함수가 충분함을 시사한다.