(2019)Automatic Acute Ischemic Stroke Lesion Segmentation using Semi-supervised Learning

khp3927·2021년 8월 13일
1

Paper Review

목록 보기
7/32
post-thumbnail

0. Abstract

AIS(Acute Ischemic Stroke)는 치료 가능한 시간이 매우 짧다. AIS의 lesion을 찾기 위해 딥러닝 기반의 segmentation 알고리즘들이 제안 되었지만 fully-labeled data를 얻는 것과 정확하게 annotation을 하는 것이 매우 어렵다. 460개의 weakly-labeled subjects와 5개의 fully-labeled subjects를 이용한 semi-supervised learning 방법을 제안하였다. 그리고 150개의 subjects에 테스트를 진행하였다.

1. Introduction

Stroke는 ischemia와 hemorrhage로 나뉜다. 그 중 ischemic stroke는 87%를 차지한다. 치료 결과를 개선하기 위해 acute stage에서 신속하게 진단하고 정량적으로 평가하는 것이 가장 중요하다. ischemic stroke를 진단하기 위해서 MRI를 많이 사용한다.

DWI와 ADC map 둘다 사용하는 것이 AIS lesion을 찾는데 용이하다. 위 그림에서 노란색 화살표가 lesion이 아님에도 hyperintense가 나타난 부분이며 빨간색 화살표가 AIS lesion이다.

weakly-labeled subjects는 AIS lesion의 유무 만으로 annotation을 하여 수고를 덜었다. Weakly-labeled subjects를 사용해 classification CNN 모델을 얻음으로 AIS lesion의 CAM(Class Activation Map)을 얻을 수 있다. 하지만 CAM에서 얻는 영역은 AIS lesion에 비해 상당히 큰 영역이라 정교하지 못하다.

이를 보완하기 위해 본 논문에서는 double-path 방식으로 학습되는 DPC-Net을 제안하였다. DPC-Net에서는 K-means 알고리즘이 사용된다. DWI에 fully-labeled subjects로 부터 얻은 parameter와 CAM을 통해 segmentation map을 얻는다.

3. Methods

학습은 double-path 방식으로 진행된다. DWI, ADC를 channel-wise-concatenate 하여 입력으로 들어가 학습한 DPC-Net에서 CAM을 얻는다. 그리고 CAM 정보를 이용해 DWI에서 K-means 알고리즘을 거쳐 segmentation map을 얻는다. 이 때 region-growing 알고리즘이 사용된다. 제안 된 알고리즘은 weakly-label을 사용함으로 semi-supervised learning 시 fake label로 인한 성능 저하 문제가 발생하지 않는다.

1) Double-Path Classification Network

DPC-Net은 VGG-16 모델을 기반을 하고 있다. Convolution block 7이 input image에 비해 probability map을 뽑기에 좋지 않기 때문에 GAP(Global Average Pooling)과 FC(Fully Connected layer)을 추가하여 보완하였다. 그리고 convolution block 7 옆에 GAP와 FC를 추가하여 convolution block 4의 spatial resolution을 높였다.

CAM은 convolution block 7과 4로 부터 얻은 M1, M2를 통해 얻어진다.

Mˉi={Mi/maxMi,  y^0.50,                     y^<0.5\bar{M}_i=\begin{cases} M_i/\max M_i,\ \ \hat{y}\geq0.5 \\ 0,\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \hat{y}<0.5 \end{cases}

Mp=Mˉ1bMˉ2M_p=\bar{M}_{1b}\circ\bar{M}_2

얻는 과정은 위와 같다.

2) Segmentation Map Generation

K-means 알고리즘은 pixel intensity에만 focus를 하고 있다. 하지만 본 논문에서는 DWI로 부터 얻는 AIS lesion에 대한 priori knowledge와 region growing 알고리즘을 사용하여 보완하였다. Region growing 알고리즘의 growing points는 DPC-Net의 output으로 부터 얻을 수 있다.

알고리즘 순서는 다음과 같다.

3) Evaluation Metrics

본 논문에서는 pixel-level segmentation 평가 지표로 DC(Dice Coefficient)를 제안하였다.

DC=2GPG+PDC=\cfrac{2|G\cap P|}{|G|+|P|}

G는 ground truth, P는 predicted를 상징한다.

4. Experiment and Results

1) Data and Preprocessing

실험 데이터는 Tianjin Huanhu 병원의 AIS lesion이 있는 환자들의 데이터를 사용하였다. ADC map은 아래 식을 통해 계산된다.

ADC=lns1lns0b1b0ADC=\cfrac{\ln s_1-\ln s_0}{b_1-b_0}

bb는 diffusion-sensitizing gradient pulses를 나타내며 b1=1000 s/mm2b_1=1000\ s/mm^2, b0=0 s/mm2b_0=0\ s/mm^2이다.

s1s1b=1000 s/mm2b=1000\ s/mm^2일 때의 diffusion-weighted signal intensity이고 s0s_0b0=0 s/mm2b_0=0\ s/mm^2일 때의 signal with no diffusion gradient이다.

MR image를 192x192로 linear interpolation을 이용해 resample하였다. 그리고 MR image의 pixel intensity는 zero mean과 unit variance로 normalize 하였다. DWI와 ADC slice는 concatenate하여 dual-channel image로 만들어 DPC-Net의 input으로 들어가게 된다.

특히 각각의 image는 무작위로 1 ~ 360도 사이로 회전이 되며 수직, 수평으로 flip이 된다.

2) Results

학습에서 460개의 weakly-labeled subjects와 5개의 fully-labeled subjects가 사용되었다. 그리고 fully-labeled image는 K-means 알고리즘의 threshold와 cluster 개수 K를 설정하는데 사용되었다.

5. Conclusion

제안 된 semi-supervised 방법은 MR image segmentation에서 높은 정확도를 보여줬다. Dice coefficient는 0.642이고 precision은 0.880이 나왔다. 게다가 제안 된 방법은 fully-labeled subjects를 얻는 수고를 덜어 줌에 의의가 있다.

profile
Live on mission ✞

0개의 댓글