[논문 리뷰] Multimodal MRI brain tumor segmentation using random forests with features learned from fully convolutional neural network

Mohammadreza Soltaninejad, Lei Zhang외 3명|arXiv (Cornell University)|2017. 04. 26.

Brain Tumor Detection and Classification참고 문헌 15인용 수 11

한 줄 요약

이 논문은 랜덤 포레스트 분류기 내에서 완전 컨volution 신경망(FCN)으로 학습된 특징과 수작업으로 설계된 텍스처 단위(텍스트론) 특징을 융합하는 하이브리드 뇌 종양 세그멘테이션 방법을 제안한다. BRATS 2013 데이터셋의 다중 모odal MRI 데이터를 활용하여, 완전 종양, 종양 핵심부, 강화 종양에 대해 각각 0.88, 0.80, 0.73의 딱지 스코어를 달성하며 자동 세그멘테이션에서 뛰어난 성능을 보였다.

ABSTRACT

In this paper, we propose a novel learning based method for automated segmenta-tion of brain tumor in multimodal MRI images. The machine learned features from fully convolutional neural network (FCN) and hand-designed texton fea-tures are used to classify the MRI image voxels. The score map with pixel-wise predictions is used as a feature map which is learned from multimodal MRI train-ing dataset using the FCN. The learned features are then applied to random for-ests to classify each MRI image voxel into normal brain tissues and different parts of tumor. The method was evaluated on BRATS 2013 challenge dataset. The results show that the application of the random forest classifier to multimodal MRI images using machine-learned features based on FCN and hand-designed features based on textons provides promising segmentations. The Dice overlap measure for automatic brain tumor segmentation against ground truth is 0.88, 080 and 0.73 for complete tumor, core and enhancing tumor, respectively.

연구 동기 및 목표

• 딥 러닝과 수작업 특징을 융합하여 다중 모달 MRI에서의 자동 뇌 종양 세그멘테이션 성능을 향상시키기.
• 복잡하고 이질적인 MRI 스캔에서 정확한 종양 경계 검출 문제를 해결하기.
• 학습된 특징과 공 ing된 특징을 모두 활용하는 강건하고 일반화 능력이 뛰어난 세그멘테이션 프레임워크 개발하기.
• 표준 세그멘테이션 메트릭을 사용하여 BRATS 2013 벤치마크 데이터셋에서의 성능 평가하기.

제안 방법

• 완전 컨볼루션 신경망(FCN)이 다중 모달 MRI 학습 데이터를 엔드 투 엔드로 훈련되어 각 볼륨 요소의 종양 확률 예측을 나타내는 스코어 맵을 생성한다.
• FCN의 최종 컨볼루션 레이어 특징이 각 볼륨 요소에 대한 고수준의 기계 학습된 표현으로 추출된다.
• 동일한 MRI 모odal에서 수작업으로 설계된 텍스트론 특징이 계산되어 국소적 무늬 패턴을 캡처한다.
• 이러한 FCN로 학습된 특징과 텍스트론 특징이 연결되어 랜덤 포레스트 분류기의 입력으로 사용된다.
• 랜덤 포레스트는 정상 뇌 조직과 다양한 종양 하위 영역(완전 종양, 핵심부, 강화 영역)을 구분하도록 훈련된다.
• 추론은 훈련된 랜덤 포레스트에 병합된 특징 맵을 입력하여 최종 세그멘테이션 마스크를 생성함으로써 수행된다.

실험 결과

연구 질문

• RQ1 완전 컨볼루션 네트워크에서 유도된 딥 러닝 특징과 수작업으로 설계된 텍스트론 특징을 융합함으로써 다중 모달 MRI에서의 뇌 종양 세그멘테이션 정확도가 향상될 수 있는가?
• RQ2 학습된 특징과 공 ing된 특징을 융합한 방식이 단독으로 사용된 특징 유형과 비교해 어떤가?
• RQ3 제안된 방법의 성능은 BRATS 2013 벤치마크 데이터셋에서 표준 세그멘테이션 메트릭 기준으로 어떠한가?
• RQ4 랜덤 포레스트 분류기는 FCN 특징과 텍스트론 특징의 상호 보완적 성질을 효과적으로 활용하여 종양 하위 영역 분류를 수행하는가?

주요 결과

• 제안된 방법은 BRATS 2013 데이터셋에서 완전 종양 영역에 대해 0.88의 딱지 오버랩 스코어를 달성하였다.
• 종양 핵심부 영역에 대해 0.80의 딱지 스코어를 기록하여 종양의 가장 임상적으로 중요한 부분에서 강력한 성능을 보였다.
• 강화 종양 영역에 대해 0.73의 딱지 스코어를 기록하여 가장 도전적인 하위 영역에서 중간 수준의 성능을 보였다.
• FCN로 학습된 특징과 텍스트론 특징의 융합은 단독으로 수작업 특징이나 학습된 특징에 의존하는 방법보다 우수한 성능을 보였다.
• 랜덤 포레스트 분류기는 딥 러닝 특징과 수작업 특징의 상호 보완적 강점을 효과적으로 조합하여 세그멘테이션 성능을 향상시켰다.
• 결과적으로, 의료 영상 세그멘테이션 작업에서 하이브리드 학습 접근 방식의 효과성이 입증되었다.