[논문 리뷰] Location Sensitive Deep Convolutional Neural Networks for Segmentation of White Matter Hyperintensities

Mohsen Ghafoorian, Nico Karssemeijer외 8명|arXiv (Cornell University)|2016. 10. 16.

Medical Image Segmentation Techniques참고 문헌 19인용 수 26

한 줄 요약

이 논문은 뇌 MRI에서 자동으로 백질 초화성 병변(WMH)을 분할하기 위해 해부학적 공간 정보를 특징 학습 과정에 명시적으로 통합하는 위치 민감한 딥 컨volution 신경망(CNN)을 제안한다. 첫 번째 완전 연결층에 공간 좌표를 통합함으로써, 46개 스캔으로 구성된 테스트 세트에서 딱지 점수(Dice score) 0.791을 달성하였으며, 이는 독립적인 인간 관찰자와 통계적으로 구분되지 않으며(p=0.17), WMH 분할에서 거의 인간 수준의 성능을 보여준다.

ABSTRACT

The anatomical location of imaging features is of crucial importance for accurate diagnosis in many medical tasks. Convolutional neural networks (CNN) have had huge successes in computer vision, but they lack the natural ability to incorporate the anatomical location in their decision making process, hindering success in some medical image analysis tasks. In this paper, to integrate the anatomical location information into the network, we propose several deep CNN architectures that consider multi-scale patches or take explicit location features while training. We apply and compare the proposed architectures for segmentation of white matter hyperintensities in brain MR images on a large dataset. As a result, we observe that the CNNs that incorporate location information substantially outperform a conventional segmentation method with hand-crafted features as well as CNNs that do not integrate location information. On a test set of 46 scans, the best configuration of our networks obtained a Dice score of 0.791, compared to 0.797 for an independent human observer. Performance levels of the machine and the independent human observer were not statistically significantly different (p-value=0.17).

연구 동기 및 목표

• 딥 러닝 모델에 해부학적 위치 정보를 통합하여 뇌 MRI에서의 자동 백질 초화성 병변(WMH) 분할을 향상시키기.
• 신경영상에서 정확한 WMH 탐지에 필수적인 공간적 맥락을 포착하지 못하는 표준 CNN의 한계를 해결하기.
• 명시적인 위치 특징이 기존 수작업 특징이나 표준 CNN을 초월해 분할 성능을 향상시킬 수 있는지 평가하기.
• 딥 러닝 프레임워크 내에서 공간 특징을 통합하기 위한 다양한 아키텍처와 통합 전략을 비교하기.
• 500명 이상의 환자로 구성된 대규모 데이터셋을 사용하여 인간 전문가 수준의 성능를 달성하기.

제안 방법

• T1 및 FLAIR MRI 시퀀스에서 다중 스케일 2D 패치를 처리하는 여러 딥 CNN 아키텍처를 제안한다.
• 첫 번째 완전 연결층에 명시적인 공간 위치 특징(x, y 좌표)을 통합하여 공간적 추론을 유도한다.
• 로컬 이미지 패치를 입력으로 사용하여 병변 병변 수준의 WMH 레이블을 예측하는 방식으로 패치 기반으로 네트워크를 훈련시킨다.
• 위치 특징을 통합할 가장 적절한 지점(첫 번째 vs. 두 번째 완전 연결층)을 평가하여 첫 번째 층이 최적임을 발견한다.
• 두 단계 훈련 전략을 사용하지만, 별도의 훈련보다는 외관 및 공간 특징의 종합적 일괄 학습을 우선시한다.
• 훈련, 검증, 테스트를 위해 500명 이상의 환자로 구성된 대규모 데이터셋을 사용한다. 최종 테스트 세트는 46개 스캔으로 구성된다.

실험 결과

연구 질문

• RQ1 명시적인 해부학적 위치 정보의 통합이 표준 CNN을 초월해 딥 러닝 기반의 WMH 분할 성능을 향상시킬 수 있는가?
• RQ2 네트워크 아키텍처 내에서 공간 좌표를 통합할 가장 효과적인 위치는 어디인가?
• RQ3 위치 특징을 통합함으로써 인간 전문가 수준의 성능에 도달할 수 있는가?
• RQ4 수작업 특징을 사용하는 전통적 방법과 비교해 위치 민감한 CNN의 성능는 어떻게 되는가?
• RQ5 2D 패치만으로도 충분한가, 아니면 연속 슬라이스에서의 3D 패치가 결과를 향상시킬 수 있는가?

주요 결과

• 제안된 위치 민감한 CNN은 테스트 세트에서 딱지 점수 0.791을 달성하여 기존 수작업 특징 방법을 능가하였다.
• 가장 뛰어난 성능을 보인 모델의 성능은 독립적인 인간 관찰자와 통계적으로 유의미하지 않으며(p=0.17), 거의 인간 수준의 정확도를 보였다.
• 공간 위치 특징을 첫 번째 완전 연결층에 통합할 경우 가장 높은 성능를 기록하였으며, 고차원 표현에 의해 위치 특징이 압도당하는 후속 층보다 우수하였다.
• 모델는 인간 관찰자가 놓친 작은 WMH도 탐지하여 임상적 검출의 민감도 향상 잠재력을 보였다.
• 대부분의 표현 네트워크를 먼저 훈련한 후 위치 통합 분류기로 전이하는 두 단계 접근법은 종합적 일괄 학습보다 성능이 열 劣하였다.
• 2D 패치 사용은 계산적으로 효율적이며 충분했지만, 등방성 또는 얇은 슬라이스 MRI 데이터에서는 3D 패치가 유익할 수 있다.