Performance Evaluation of U-Net Architecture Based Encephaloma Segmentation Using Magnetic Resonance Imaging
목적: 뇌종양의 정확한 분할을 위해 U-Net 기반 모델들을 활용하여 분할 성능을 비교 및 평가하는 것
-
뇌종양(Encephaloma, Brain Tumor)은 두개골 내의 뇌 및 뇌 주변 구조물에서 발생하는 종양을 의미한다. 뇌종양은 대다수의 경우 발병 원인이 밝혀져 있지 않고, 빠르게 전이되는 특성이 있기 때문에, 초기에 얼마나 정확하게 진단하는지에 따라 질환의 원활한 치료 및 관리 가능성이 좌우된다. 그러나 자기공명영상(Magnetic Resonance Imaging, MRI)을 이용하여 뇌종양 영역을 검출하는 것은 상당한 시간이 소모되고 뇌종양의 위치를 부정확하게 진단할 가능성도 있다. 따라서 MRI 영상 데이터를 이용한 뇌종양 분할 및 진단 작업량을 최소한으로 줄이기 위해 다양한 딥러닝 기반 뇌종양 분할 모델 개발 연구가 활발히 진행되고 있다.
-
U-Net은 이미지 분할을 위해 설계된 딥러닝 아키텍처로, 합성곱 기반 인코더-디코더 구조를 통해 입력 이미지를 고해상도로 재구성한다. 주로 의료 이미지 분할을 위해 개발되었으며, 특히 적은 크기의 데이터셋에서도 효과적이라고 알려져있다.
-
정상적인 뇌와 서로 다른 종류의 뇌종양 MRI 영상 데이터 셋을 가지고 객체 검출 모델을 통해 뇌종양의 이미지 데이터 셋을 세분화하여 분류의 정확도를 높일 예정이며, U-Net 기반 구조를 통해 뇌종양 분류에 가장 적합한 모델을 선정하고 평가한다.
- Glioma(신경교종, 1426개), Meningioma(뇌수막종, 708개), Pituitary Adenoma(뇌하수체종양, 930개)로 이루어진 총 3064개 뇌 MRI 이미지 dataset과 각 이미지에 따른 종양 부분이 segmentation 된 tumor mask dataset을 사용한다.
- 의료 데이터 특성 상 데이터 수가 적으므로 Elastic Deformation 기법을 통해 뇌 MRI 이미지 수를 2배로 증강하여 총 6128개의 이미지 dataset을 사용한다.
- U-Net은 Biomedical 분야에서 이미지 분할(Image Segmentation)을 목적으로 제안된 모델이다. U-Net을 포함하여 U-Net 파생 모델인 Residual U-Net, Hybrid Res U-Net 모델을 사용하였다.
- UNet: Biomedical 분야에서 Image Segmentation을 목적으로 제안된 End-to-End 방식의 Fully-Convolutional Network 기반 모델이다. 입력 이미지의 Context 포착이 목적인 Contracting Path와 세밀한 Localization을 위해 위치정보를 결합(skip connection)하여 up-sampling을 진행하는 Expanding Path로 구성되어있다.
- Residual U-Net(ResUnet): ResUnet은 기존 U-Net 모델에서 resnet 블록을 활용한 모델이다. Resnet 블록은 위 그람과 같이 동작한다. 네트워크의 출력값 H(x)가 입력값 x가 되도록, 잔차 H(x)-x 를 최소화하는 방향으로 학습을 진행한다.
- Deep-Residual U-Net(DeepResUnet): DeepResUnet은 ResUnet 모델에서 resnet 블록 대신 preactivate resnet 블록을 사용하는 모델이다. Preactivate resnet 블록은 2D batch normal, ReLU 활성함수, 2D convolution 연산 순으로 통과하고 F(x)+x가 ReLU 활성화 함수를 거치지 않는다.
- Hybrid-Residual U-Net(HybridResUnet): HybridResUnet은 기존 U-Net 모델에서 contracting path 부분을 ResUnet의 contracting path로 바꾼 모델이다.
모델의 성능을 평가하기 위해 Intersection over Union(IoU)와 F1-score 두 가지 평가지표를 사용하였다.
본 프로젝트에서는 뇌종양 MRI 데이터를 이용하여 U-Net 모델 아키텍처를 가지고 있는 딥러닝 기반 뇌종양 분할 모델들의 성능을 정량적으로 비교하고 평가하였다.
기본적인 U-Net 모델과 U-Net의 파생 모델들인 ResUnet, DeepResUnet, HybridResUnet 총 네 가지 모델의 성능을 IoU와 F1-score를 사용하여 평가하였다. 테스트한 모델 중에서 U-Net 모델이 0.7833(IoU), 0.8585(F1-score)로 가장 좋은 성능을 보였다. 이처럼 데이터셋에 따라 기본적인 딥러닝 아키텍처를 가지는 모델이 더 좋은 성능을 보일 수 있음을 확인하였다.
향후 다양한 조합으로 데이터셋을 분할하여 모델에 적용해 볼 것이고, 다양한 딥러닝 기반의 이미지 분할 모델에 대해서 성능 평가를 진행할 계획이다. 이를 통해 딥러닝을 기반으로 한 이미지 분할 기법이 뇌종양뿐 아니라 여러 질병에 대한 진단을 보조하는 기법으로 널리 활용될 수 있을 것이라 기대한다.