효율적인 다중 스케일 3D CNN과 완전 연결 CRF를 이용한 정확한 뇌 병변 분할

뇌 병변 분할이라는 어려운 과제를 위해 11층 깊이의 이중 경로 3차원 합성곱 신경망(Convolutional Neural Network, CNN)을 제안합니다. 설계된 아키텍처는 유사한 응용 프로그램을 위한 현재 제안된 네트워크들의 한계점에 대한 심층적인 분석 결과입니다. 3D 의료 스캔 처리의 계산 부담을 극복하기 위해, 인접한 이미지 패치의 처리를 네트워크를 통과하는 한 번의 과정으로 결합하면서 데이터에 내재된 클래스 불균형을 자동으로 조정하는 효율적이고 효과적인 밀집 훈련 방식을 설계했습니다. 또한, 더 깊고 따라서 더 구별력 있는 3D CNNs의 개발을 분석하였습니다. 로컬 정보와 더 큰 문맥 정보를 모두 통합하기 위해, 입력 이미지를 여러 스케일에서 동시에 처리하는 이중 경로 아키텍처를 사용합니다. 네트워크의 소프트 분할 후처리를 위해, 효과적으로 거짓 양성을 제거하는 3D 완전 연결 조건부 랜덤 필드(Conditional Random Field, CRF)를 사용합니다. 우리의 파이프라인은 다중 채널 MRI 환자 데이터에서 외상성 뇌 손상, 뇌 종양 및 허혈성 뇌졸중의 세 가지 어려운 병변 분할 작업에 대해 광범위하게 평가되었습니다. 우리는 모든 세 가지 응용 프로그램에서 최신 기술(state-of-the-art)을 개선하였으며, 공개 벤치마크 BRATS 2015와 ISLES 2015에서 최고 등급의 성능을 보였습니다. 우리의 방법은 계산적으로 효율적이어서 다양한 연구 및 임상 환경에서 도입될 수 있습니다. 우리의 구현 코드는 공개적으로 제공됩니다.