[논문 리뷰] Improving automated multiple sclerosis lesion segmentation with a cascaded 3D convolutional neural network approach

Sergi Valverde, Mariano Cabezas외 8명|arXiv (Cornell University)|2017. 02. 16.

Digital Imaging for Blood Diseases참고 문헌 33인용 수 15

한 줄 요약

이 논문은 다발성 경화증(MS) 환자에서 자동화된 백질 병변 분할을 위한 계단식 3D 합성곱 신경망(CNN)을 제안한다. 두 개의 순차적 3D CNN을 사용하여 민감도를 향상시키고 가짜 양성 결과를 줄인다. 이 방법은 MICCAI2008 경연 대회에서 T1-w, T2-w 및 FLAIR 모odalities를 사용할 경우 참가한 60개 방법 중 1위를 기록했으며, T1-w와 FLAIR만을 사용할 경우에도 상위 3위 이내에 머물러 있어, 제한된 학습 데이터에서 강력한 일반화 능력과 데이터 효율성을 입증한다.

ABSTRACT

In this paper, we present a novel automated method for White Matter (WM) lesion segmentation of Multiple Sclerosis (MS) patient images. Our approach is based on a cascade of two 3D patch-wise convolutional neural networks (CNN). The first network is trained to be more sensitive revealing possible candidate lesion voxels while the second network is trained to reduce the number of misclassified voxels coming from the first network. This cascaded CNN architecture tends to learn well from small sets of training data, which can be very interesting in practice, given the difficulty to obtain manual label annotations and the large amount of available unlabeled Magnetic Resonance Imaging (MRI) data. We evaluate the accuracy of the proposed method on the public MS lesion segmentation challenge MICCAI2008 dataset, comparing it with respect to other state-of-the-art MS lesion segmentation tools. Furthermore, the proposed method is also evaluated on two private MS clinical datasets, where the performance of our method is also compared with different recent public available state-of-the-art MS lesion segmentation methods. At the time of writing this paper, our method is the best ranked approach on the MICCAI2008 challenge, outperforming the rest of 60 participant methods when using all the available input modalities (T1-w, T2-w and FLAIR), while still in the top-rank (3rd position) when using only T1-w and FLAIR modalities. On clinical MS data, our approach exhibits a significant increase in the accuracy segmenting of WM lesions when compared with the rest of evaluated methods, highly correlating ($r \ge 0.97$) also with the expected lesion volume.

연구 동기 및 목표

• MRI를 이용하여 다발성 경화증 환자에서 자동화되고 정확하며 데이터 효율적인 백질 병변 분할 방법을 개발한다.
• 수동으로 주석이 달린 학습 데이터가 제한되어 있는 문제를 해결하기 위해, 소규모 데이터셋에서도 모델 성능을 향상시킨다.
• 두 단계의 CNN 계단 구조를 통해 병변 탐지에서의 가짜 양성 결과를 줄이고 민감도를 유지한다.
• 공개 및 비공개 임상 데이터셋에서의 평가를 통해 다양한 영상 프로토콜에 걸쳐 강건성을 확보한다.
• 계단식 3D CNN이 최소한의 하이퍼파라미터 튜닝으로도 소규모 학습 세트에서 과적합을 줄이며 높은 정확도를 달성할 수 있음을 입증한다.

제안 방법

• 두 단계의 계단식 3D CNN 아키텍처를 사용하며, 첫 번째 네트워크는 높은 민감도로 후보 병변 볼륨을 식별한다.
• 두 번째 네트워크는 첫 번째 네트워크에서 도출된 후보 볼륨을 재평가하여 어려운 샘플에 대해 재학습함으로써 가짜 양성 결과를 줄인다.
• 각 CNN은 T1-w, T2-w, FLAIR 등 다중 대비 MRI에서 유도된 11³ 크기의 3D 영상 패치를 기반으로 학습된 7층 아키텍처이다.
• 클래스 불균형 문제를 완화하기 위해 클래스 균형 임의 샘플링을 사용하며, 비병변 볼륨의 오버샘플링을 줄여 일반화 능력을 향상시킨다.
• 단일 데이터셋에서 엔드 투 엔드로 학습되지만, 비공개 임상 데이터에서 테스트했을 때 다양한 영상 도메인으로도 잘 일반화된다.
• 과적합을 줄이기 위해 파rameter 수를 최소화(190,000 미만)하도록 아키텍처를 설계하였다.

실험 결과

연구 질문

• RQ1 계단식 3D CNN 아키텍처가 민감도를 유지하면서도 가짜 양성 결과를 줄임으로써 다발성 경화증 병변 분할 정확도를 향상시킬 수 있는가?
• RQ2 이러한 방법은 다양한 MRI 촬영 프로토콜과 영상 도메인 간에 얼마나 잘 일반화되는가?
• RQ3 제한된 수의 수동 주석이 달린 학습 데이터로도 계단식 CNN 접근 방식이 얼마나 높은 성능을 달성할 수 있는가?
• RQ4 공개 및 비공개 다발성 경화증 병변 분할 벤치마크에서 기존 최고 수준의 방법들과 비교해 볼 때 성능는 어떠한가?
• RQ5 T1-w, T2-w, FLAIR 등의 다중 영상 시퀀스를 사용할 경우, 일부 모달리티만 사용하는 것보다 분할 성능이著격하게 향상되는가?

주요 결과

• 제안된 방법은 MICCAI2008 경연 대회에서 가장 높은 성능를 기록했으며, T1-w, T2-w 및 FLAIR 세 가지 모달리티를 모두 사용한 경우 참가한 60개 방법 중 1위를 차지했다.
• T1-w와 FLAIR 모달리티만을 사용할 경우에도 3위를 기록하여, 입력 구성에 관계없이 강력한 내재성과 일반화 능력을 입증했다.
• 비공개 임상 데이터셋에서 다른 최고 수준의 방법들에 비해 분할 정확도에서 뚜렷한 향상을 보였다.
• 수동 병변 부피 주석과 높은 상관관계(r ≥ 0.97)를 보이며 전문의의 평가와 강력한 일致성을 나타냈다.
• 최소한의 파rameter 수(<190,000)로도 높은 성능를 달성하여, 소규모 데이터셋에서 과적합 없이 효과적으로 학습이 가능했다.
• 첫 번째 네트워크 출력에서 가장 어려운 샘플들에 대해 두 번째 네트워크를 재학습함으로써 가짜 양성 결과를 효과적으로 줄였으며, 민감도를 유지하면서도 특이도를 향상시켰다.