[논문 리뷰] NeuroNet: Fast and Robust Reproduction of Multiple Brain Image Segmentation Pipelines

Martin Rajchl, Nick Pawlowski외 3명|arXiv (Cornell University)|2018. 06. 11.

Advanced Neural Network Applications참고 문헌 21인용 수 30

한 줄 요약

NeuroNet는 5,000명의 UK Biobank 환자를 대상으로 T1 강도 MRI 스캔에서 FSL, SPM 및 MALP-EM의 분할 결과를 재현하는 딥 뉴럴 멀티아웃풋 컨볼루션 신경망이다. 기존 파이프라인 대비 10배 빠른 속도로 최신 기술 수준의 정확도를 달성하며, 다양한 겹치는 레이블 맵을 학습하여 전처리 없이 강력하고 종단 간 분할을 가능하게 한다.

ABSTRACT

NeuroNet is a deep convolutional neural network mimicking multiple popular and state-of-the-art brain segmentation tools including FSL, SPM, and MALPEM. The network is trained on 5,000 T1-weighted brain MRI scans from the UK Biobank Imaging Study that have been automatically segmented into brain tissue and cortical and sub-cortical structures using the standard neuroimaging pipelines. Training a single model from these complementary and partially overlapping label maps yields a new powerful "all-in-one", multi-output segmentation tool. The processing time for a single subject is reduced by an order of magnitude compared to running each individual software package. We demonstrate very good reproducibility of the original outputs while increasing robustness to variations in the input data. We believe NeuroNet could be an important tool in large-scale population imaging studies and serve as a new standard in neuroscience by reducing the risk of introducing bias when choosing a specific software package.

연구 동기 및 목표

• 전처리가 필요 없이 여러 확립된 신경영상 분할 도구(FSL, SPM, MALP-EM)의 출력을 재현할 수 있는 단일 딥 러닝 모델을 개발하는 것.
• 느린 다단계 파이프라인을 대체하여 대규모 인구 영상 연구에서 계산 부담을 줄이기 위해 빠르고 통합된 추론 시스템을 제공하는 것.
• 다양하고 부분적으로 겹치는 레이블 맵을 기반으로 학습하여 영상 잡음과 변동성에 대한 강건성을 향상시키는 것.
• 도구별 분할 선택에 기인한 편향을 최소화하기 위해 다수의 기준 방법을 기반으로 한 공통 예측을 학습하는 것.
• 수동 전처리 단계를 제거하여 대규모 데이터셋에 대해 확장 가능하고 재현 가능하며 효율적인 신경영상 분석을 가능하게 하는 것.

제안 방법

• NeuroNet는 ResNet 기반 인코더를 갖춘 다중 출력 완전 컨volution 신경망(FCN)을 사용하여 동시에 여러 조직 분할 맵을 예측한다.
• 모델은 UK Biobank의 5,000개 T1 강도 MRI 스캔에서 훈련되며, FSL, SPM 및 MALP-EM의 자동 생성 레이블 맵을 다중 작업 감독으로 사용한다.
• 세 도구의 레이블 맵은 부분적으로 겹치며 상호 보완적이다. 예를 들어 FSL과 MALP-EM는 세부적인 고뇌질 구조를 제공하지만, 세 도구 모두 백질(WM), 회색질(GM), 뇌척수액(CSF) 추정치를 생성한다.
• 네트워크는 다중 작업 손실 최소화를 통해 공통 분할을 학습하며, 각 출력은 작업별 손실를 균형 조절하기 위해 학습 가능한 계수로 가중된다.
• 두개의 뼈대 제거 및 편향 보정을 피하기 위해 원시 T1 강도 영상만을 사용함으로써 파이프라인 복잡성과 오류 원인을 줄인다.
• 아키텍처는 계층적 및 비계층적 레이블의 공동 학습을 지원하여 다중 작업 유도적 편향을 통해 일반화 및 정확도 향상에 기여한다.

실험 결과

연구 질문

• RQ1 단일 딥 러닝 모델이 FSL, SPM 및 MALP-EM과 같은 여러 확립된 신경영상 분할 도구의 T1 강도 MRI 스캔에서 분할 결과를 정확하게 재현할 수 있는가?
• RQ2 다양한 도구에서 유래한 부분적으로 겹치는 레이블 맵을 공동으로 훈련함으로써 개별 도구 파이프라인 대비 강건성 향상과 실패율 감소가 이루어지는가?
• RQ3 편향 보정 및 뇌 영역 추출과 같은 전처리 단계를 제거하면서도 정확도를 유지하거나 향상시킬 수 있는가?
• RQ4 NeuroNet의 추론 속도는 대규모 인구 연구에서 기존 신경영상 파이프라인과 비교하여 어떻게 되는가?
• RQ5 다양한 분할 출력 간 다중 작업 학습이 단일 작업 모델보다 더 나은 일반화와 일관성 있는 결과를 이끌 수 있는가?

주요 결과

• NeuroNet는 FSL Fast에 대해 평균 DSC 93.1%, FSL First에 대해 88.8%, MALP-EM에 대해 85.8%, MALP-EM 조직에 대해 93.2%, SPM 조직에 대해 93.4%를 기록하여 기준 출력을 높은 정확도로 재현함을 보여준다.
• 모델은 1인당 처리 시간을 90초 이내로 줄여 기존 파이프라인(FSL ~20분, MALP-EM ~1시간, SPM 비선형 정렬까지 최대 30분 이상) 대비 10배 빠른 속도를 확보한다.
• 모든 출력에서 단일 작업 변종 대비 평균 DSC가 높게 나타나, 상호 보완적인 레이블을 기반으로 한 다중 작업 학습이 전체 성능과 강건성을 향상시킨다는 것을 확인한다.
• 헤드 회전(예: 보정되지 않은 기울기)으로 인해 SPM이 실패하는 경우에도 NeuroNet는 유효한 분할 결과를 성공적으로 생성하여 개별 도구보다 뛰어난 강건성을 입증한다.
• 이상치 케이스에 대해서도 일반화가 잘 되어 있으며, DSC 값이 0.6 이하인 경우는 모두 원본 도구의 출력 실패에서 기인한 것이지 NeuroNet의 예측에서 기인한 것이 아니므로 신뢰성 확인됨.
• 편향 보정 및 뇌 영역 추출과 같은 전처리 단계가 제거되어 파이프라인 복잡성과 잠재적 오류 원인이 감소한다.