[논문 리뷰] Direct White Matter Bundle Segmentation using Stacked U-Nets

Jakob Wasserthal, Peter Neher외 2명|arXiv (Cornell University)|2017. 03. 06.

Advanced Neuroimaging Techniques and Applications참고 문헌 12인용 수 4

한 줄 요약

이 논문은 도말자기공명영상에서 직접 백질 섬유군을 분할하기 위한 스택드 U-Net 아키텍처를 제안한다. 이는 트랙토그라피를 회피하고 수동 분할에서 유도된 공간적 사전 지식을 학습함으로써 이루어진다. 30명의 Human Connectome Project 참가자에게서 훈련된 이 방법은 뇌당 5초 이내로 인간 수준의 성능을 달성하며, 이는 이전의 직접 분할 방법을 능가하고 생체 내 및 허위 데이터에서 최신 트랙토그라피 파이프라인과 경쟁 가능하다.

ABSTRACT

The state-of-the-art method for automatically segmenting white matter bundles in diffusion-weighted MRI is tractography in conjunction with streamline cluster selection. This process involves long chains of processing steps which are not only computationally expensive but also complex to setup and tedious with respect to quality control. Direct bundle segmentation methods treat the task as a traditional image segmentation problem. While they so far did not deliver competitive results, they can potentially mitigate many of the mentioned issues. We present a novel supervised approach for direct tract segmentation that shows major performance gains. It builds upon a stacked U-Net architecture which is trained on manual bundle segmentations from Human Connectome Project subjects. We evaluate our approach extit{in vivo} as well as extit{in silico} using the ISMRM 2015 Tractography Challenge phantom dataset. We achieve human segmentation performance and a major performance gain over previous pipelines. We show how the learned spatial priors efficiently guide the segmentation even at lower image qualities with little quality loss.

연구 동기 및 목표

• 복잡하고 오류가 발생하기 쉬운 트랙토그라피 파이프라인을 피하는 직접적이고 종단 간(end-to-end) 딥러닝 기반의 백질 섬유군 분할 방법을 개발하기 위해.
• 아틀라스 기반 및 스트림라인 군집화 방법의 한계, 즉 계산 비용, 설정 복잡성, 낮은 재현 가능성 문제를 해결하기 위해.
• 수동 분할에서 유도된 환자별 공간적 사전 지식을 학습하여 분할 정확도와 강인성을 향상시키기 위해.
• 큰 섬유군과 얇은 섬유군(예: 전방연합체 포함)을 빠르고 자동으로 고정밀도로 분할할 수 있도록 하기 위해.
• 트랙토메트리 및 트랙토그램 필터링에 적용 가능한 확장 가능하고 일반화 가능한 자동 트랙 분할 프레임워크를 제공하기 위해.

제안 방법

• 축삭, 사시면, 경사면 단면에서 각각 훈련된 3개의 2D U-Net과 3D U-Net을 사용한 스택드 U-Net 아키텍처를 사용하며, 예측 결과를 융합한다.
• MRtrix에서 제약된 구형 분해(constrained spherical deconvolution)를 통해 fODF 피크에서 유도된, 체적당 주된 섬유 방향 벡터(체적당 9개의 특징)를 입력으로 사용한다.
• 학습률 0.002, 배치 크기 8, 70 에포크, 드롭아웃 확률 0.4를 사용한 종단 간 훈련을 위해 카테고리형 교차 엔트로피 손실를 사용한다.
• 다양한 해부학적 평면에서 방향 정보를 포괄하고 공간적 인덕티브 바이어스를 향상시키기 위해 다중 평면 감독을 활용한다.
• 스트림라인 처리 중간 단계 없이도 체적당 확률 지도를 생성하여 정밀한 3차원 분할을 가능하게 한다.
• 수동 분할된 HCP 참가자 30명의 데이터로 훈련되었으며, 최신 GPU에서 추론 시간이 5초 이내이다.

실험 결과

연구 질문

• RQ1 딥러닝 기반의 직접 분할 방법이 트랙토그라피나 아틀라스 정렬에 의존하지 않고도 백질 섬유군 분할에서 인간 수준의 정확도를 달성할 수 있는가?
• RQ2 다중 평면 감독을 통한 스택드 U-Net 아키텍처는 도말자기공명영상 데이터에서 표준 U-Net 대비 분할 성능을 어떻게 향상시키는가?
• RQ3 모델이 저품질 생체 내 데이터와 노이즈 및 잡음이 있는 시뮬레이션 허위 데이터에 대해 얼마나 일반화되는가?
• RQ4 기존 방법이 어려운 얇은 섬유군(예: 전방연합체)에 대해 모델의 성능은 어떠한가?
• RQ5 인간 특화 분할에서 유도된 학습된 공간적 사전 지식이 이미지 품질이 열 劣한 상황에서도 강인한 분할을 가능하게 하는가?

주요 결과

• 제안된 방법은 생체 내 고해상도 및 저해상도 HCP 데이터에서 인간 수준의 분할 성능를 달성하며, 오른쪽 체성운동경로에 대해 0.84, 왼쪽 상부장축섬유군에 대해 0.85의 Dice 점수를 기록한다.
• ISMRM 2015 트랙토그라피 챌린지 허위 데이터에서, 체성운동경로에 대해 상위 3개 이내로 순위를 기록했으며, 구조적 차이가 있는 생체 내 데이터와 비교해도 상부장축섬유군에 대해 경쟁 가능한 성능를 보였다.
• 저품질 생체 내 데이터에서도 높은 분할 품질을 유지하며, 성능 저하가 미미하여 이미지 품질 변동에 대한 강인성을 입증했다.
• 단일 U-Net 대비 스택드 U-Net 설계가 세부 해부학적 구조와 섬유군 경계를 더 잘 포착함으로써 분할 정확도를 크게 향상시켰다.
• 원본 노이즈 있는 버전보다 구조적 차이가 적은 허위 데이터에서는 약간 더 높은 성능를 기록했으며, 이는 훈련 및 테스트 데이터 간의 구조적 차이가 일반화에 영향을 준다는 것을 시사한다.
• 최근 GPU에서 전체 뇌 분할을 5초 이내로 수행할 수 있어, 전통적인 트랙토그라피 기반 파이프라인에 비해 뚜렷한 속도 우위를 확보했다.