[논문 리뷰] Sequential 3D U-Nets for Biologically-Informed Brain Tumor Segmentation

Andrew Beers, Ken Chang외 6명|arXiv (Cornell University)|2017. 09. 09.

Brain Tumor Detection and Classification참고 문헌 3인용 수 33

한 줄 요약

이 논문은 뇌종양의 해부학적 종양 계층 구조를 반영하여 간질성 뇌종양의 생물학적으로 정보화된 분할을 위한 순차적 3D U-Net 프레임워크를 제안한다. 먼저 종양 전체(부종 + 강화 종양 + 비강화 종양)를 예측한 후, 그 결과를 바탕으로 별도의 모델을 통해 강화 종양과 비강화 종양을 분할한다. 이 방법은 BraTS 2017 검증 세트에서 종양 전체에 대해 0.882의 Dice 스코어, 강화 종양에 대해 0.732, 종양 핵심에 대해 0.730를 기록하였다.

ABSTRACT

Deep learning has quickly become the weapon of choice for brain lesion segmentation. However, few existing algorithms pre-configure any biological context of their chosen segmentation tissues, and instead rely on the neural network's optimizer to develop such associations de novo. We present a novel method for applying deep neural networks to the problem of glioma tissue segmentation that takes into account the structured nature of gliomas - edematous tissue surrounding mutually-exclusive regions of enhancing and non-enhancing tumor. We trained multiple deep neural networks with a 3D U-Net architecture in a tree structure to create segmentations for edema, non-enhancing tumor, and enhancing tumor regions. Specifically, training was configured such that the whole tumor region including edema was predicted first, and its output segmentation was fed as input into separate models to predict enhancing and non-enhancing tumor. Our method was trained and evaluated on the publicly available BraTS dataset, achieving Dice scores of 0.882, 0.732, and 0.730 for whole tumor, enhancing tumor and tumor core respectively.

연구 동기 및 목표

• 깊이 학습 모델에 간질성 뇌종양 조직 계층의 생물학적 지식을 통합하여 뇌종양 분할 정확도를 향상시키기 위해.
• 기존의 깊이 학습 방법이 사전 생물학적 제약 없이 조직 연관성을 새로 학습하는 데에 한계가 있음을 해결하기 위해.
• 부종, 강화 종양, 비강화 종양 간의 해부학적 관계를 존중하는 계류형 U-Net 아키텍처를 개발하기 위해.
• 후속 종양 하위형태 분할을 위한 조건부 입력으로 종양 전체 예측을 사용하여 모델 신뢰도와 분할 품질을 향상시키기 위해.
• 공개된 BraTS 2017 데이터셋에서 방법을 검증하고 도전 대회에서 최상위 성능을 달성하기 위해.

제안 방법

• 각 조직 유형의 패치 기반 분할을 위해 3D U-Net 아키텍처를 사용하며, T1, T1-강화, T2, FLAIR의 네 가지 MRI 시퀀스에서 32×32×32 크기의 입력 패치를 사용한다.
• 종양 전체(WT)는 두 단계 과정을 통해 먼저 분할된다: 2mm 등방성 스캔에서의 저해상도 예측 후, 1mm 등방성 스캔에서 이웃 최소 거리 보간을 통해 레이블맵을 업샘플링하여 정밀 조정한다.
• 후속 모델은 강화 종양(ET)과 종양 핵심(TC)을 위한 것으로, WT 예측 결과를 추가 입력 채널로 사용하여 공간적 맥락을 제공한다.
• 데이터 증강에는 훈련 세트 크기를 두 배로 늘리기 위한 과도면 뒤집기와, 모든 스캔에서 평균 0, 분산 1로 강도 정규화가 포함된다.
• 추론은 16개의 겹치는 오프셋을 가진 슬라이딩 윈도우 방식을 사용하며, 겹치는 패치의 확률을 평균화한 후 이진화한다.
• 후처리에는 네 개의 MRI 시퀀스와 세 개의 레이블맵(WT, ET, TC)을 포함한 일곱 채널 입력을 사용하는 추가적인 두 개의 U-Net이 사용된다.

실험 결과

연구 질문

• RQ1 간질성 뇌종양의 계층적 생물학적 구조를 모델링하면 깊이 학습 기반 종양 분할 성능이 향상되는가?
• RQ2 이전에 종양 경계에 대한 지식을 갖춘 순차적·계류형 U-Net 아키텍처가 강화 종양 및 비강화 종양과 같은 하위형태의 분할 정확도를 향상시키는가?
• RQ3 종양 전체 예측 결과를 조건부 입력으로 사용할 경우, 후속 종양 하위형태 분할의 정밀도에 어떤 영향을 미치는가?
• RQ4 생물학적으로 정보화된 아키텍처가 BraTS 2017 도전 대회에서 표준 엔드 투 엔드 U-Net 모델보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ5 전용 보정 네트워크를 사용한 후처리가 표준 형태학적 방법보다 분할 품질을 추가로 향상시키는가?

주요 결과

• 순차적 3D U-Net 접근법은 BraTS 2017 검증 세트(n = 46)에서 종양 전체 분할에 대해 0.882의 Dice 스코어를 달성하였다.
• 강화 종양 분할에 대해 0.732의 Dice 스코어를 기록하여 BraTS 2017 도전 대회에서 참가자 61명 중 16위를 기록하였다.
• 종양 핵심 분할에 대해 0.730의 Dice 스코어를 기록하여 도전 대회에서 참가자 61명 중 28위를 기록하였다.
• 종양 전체 예측 결과를 조건부 입력으로 사용함으로써 후속 ET 및 TC 분할 모델의 신뢰도와 정확도가 크게 향상되었다.
• 후처리 보정 U-Net은 표준 형태학적 방법에 비해 노이즈를 감소시키고 경계 일관성을 향상시켰다.
• 모델는 다양한 환자 스캔에서 뛰어난 내성성을 보였으며, 종양 형태나 영상 프로토콜의 변동에도 불구하고 검증 코hort 전반에서 일관된 성능을 보였다.