[논문 리뷰] MRI Brain Tumor Segmentation using Random Forests and Fully Convolutional Networks

Mohammadreza Soltaninejad, Lei Zhang외 4명|arXiv (Cornell University)|2019. 09. 13.

Brain Tumor Detection and Classification참고 문헌 7인용 수 18

한 줄 요약

이 논문은 완전 컨volution 네트워크(FCN)를 사용해 기계학습된 특징을 추출하고, 텍스트론 기반 특징을 수작업으로 구현하여 MRI 뇌 종양 세그멘테이션을 위한 하이브리드 딥 러닝 및 수작업 특징 접근법을 제안한다. 이는 랜덤 포레스트를 통해 분류된다. BRATS 2017 데이터셋에서 평가한 결과, 전 종양, 종양 핵심, 강화 종양에 대해 각각 평균 딱시 점수 0.86, 0.78, 0.66을 기록하였다.

ABSTRACT

In this paper, we propose a novel learning based method for automated segmentation of brain tumor in multimodal MRI images, which incorporates two sets of machine -learned and hand crafted features. Fully convolutional networks (FCN) forms the machine learned features and texton based features are considered as hand-crafted features. Random forest (RF) is used to classify the MRI image voxels into normal brain tissues and different parts of tumors, i.e. edema, necrosis and enhancing tumor. The method was evaluated on BRATS 2017 challenge dataset. The results show that the proposed method provides promising segmentations. The mean Dice overlap measure for automatic brain tumor segmentation against ground truth is 0.86, 0.78 and 0.66 for whole tumor, core and enhancing tumor, respectively.

연구 동기 및 목표

• 다중 모odal MRI에서 뇌 종양의 자동 세그멘테이션을 향상시키기 위해 딥 러닝과 수작업 특징을 융합하는 것.
• 이질적인 뇌 종양 영상에서 정확한 종양 경계 검출 문제를 해결하는 것.
• 학습된 특징과 공 ing된 특징을 모두 활용하여 종양 하위 영역(부종, 괴사, 강화 종양)의 분류를 향상시키는 것.
• BRATS 2017 벤치마크 데이터셋에서 강건한 성능을 달성하는 것.

제안 방법

• 다중 모달 MRI 스캔에서 계층적인 기계학습된 특징을 추출하기 위해 완전 컨볼루션 네트워크(FCN)를 사용한다.
• MRI 데이터의 국소 텍스처 패턴을 캡처하기 위해 텍스트론 기반 특징을 수작업 특징 표현으로 추출한다.
• 랜덤 포레스트(RF) 분류기가 FCN 및 텍스트론 특징을 통합하여 정상 조직과 종양 하위 유형의 볼륨 단위 레이블을 예측한다.
• 모델은 다중 모달 T1, T1c, T2 및 FLAIR 시퀀스를 사용해 BRATS 2017 데이터셋에서 엔드 투 엔드로 훈련된다.
• 세그멘테이션 정확도를 향상시키기 위해 FCN 및 텍스트론 특징의 가중 융합을 사용해 볼륨 단위 분류를 수행한다.
• 전 종양, 종양 핵심, 강화 종양을 구분하기 위한 다중 클래스 분류 전략을 사용한다.

실험 결과

연구 질문

• RQ1 딥 러닝 특징과 수작업 텍스트론 특징의 조합이 뇌 종양 세그멘테이션 정확도를 향상시킬 수 있는가?
• RQ2 완전 컨볼루션 네트워크와 랜덤 포레스트의 통합은 순수 딥 러닝 접근법보다 종양 세그멘테이션에서 어떻게 비교되는가?
• RQ3 이 방법은 전 종양, 종양 핵심, 강화 종양 하위 영역에 대해 BRATS 2017 벤치마크에서 어떤 성능을 보이는가?
• RQ4 수작업 특징의 사용이 낮은 데이터 또는 노이즈가 많은 MRI 환경에서 일반화 능력을 향상시키는가?

주요 결과

• 제안된 방법은 BRATS 2017 데이터셋에서 전 종양 세그멘테이션에 대해 평균 딱시 오버랩 0.86을 달성하였다.
• 종양 핵심 영역에 대해 0.78의 딱시 점수를 확보하여 가장 진단적으로 중요한 하위 영역에서 강력한 성능을 보였다.
• 강화 종양 하위 영역에 대해 딱시 점수는 0.66이었으며, 이는 작은 크기이면서 매우 변동성이 큰 강화 영역을 검출하는 데에 도전적인 점을 반영한다.
• 랜덤 포레스트를 통한 FCN 및 텍스트론 기반 특징의 통합은 기준 방법에 비해 향상된 세그멘테이션 강건성을 제공한다.
• 결과적으로 수작업 특징이 학습된 특징을 보완하며, 특히 종양 경계의 미세한 텍스처 패턴을 포착하는 데 효과적임을 보여준다.