깊은 CNN 앙상블과 제안 주석을 이용한 영아 뇌 MRI 분할

영아 뇌 조직의 정밀한 3D 분할은 초기 뇌 발달에 대한 포괄적인 부피 연구 및 정량적 분석을 위한 필수 단계입니다. 그러나 이러한 분할을 계산하는 것은 매우 어려운 작업이며, 특히 6개월 영아 뇌의 경우 이미지 품질이 좋지 않다는 점 등 영아 뇌 MRI 고유의 여러 어려움(예: 백질과 회백질 간의 동일한 신호 강도 대비, 작은 뇌 크기로 인한 심각한 부분 부피 효과) 때문에 더욱 그렇습니다. 본 연구에서는 T1-가중(T1-weighted) 및 T2-가중(T2-weighted) MR 이미지를 입력으로 사용하는 반밀집(fully convolutional neural networks, FCNs) 네트워크 앙상블을 통해 이 문제를 조사합니다. 우리는 앙상블 합의가 분할 오류와 매우 밀접한 관련이 있음을 입증하였습니다. 따라서, 우리의 방법은 지역 사용자 수정을 안내할 수 있는 척도를 제공합니다. 우리 소견으로는, 이 작업은 이미지 내 주석 제안을 위한 최초의 3D CNN 앙상블입니다. 또한 최근 밀집(dense) 네트워크의 성공에 착안하여, 모든 합성곱 계층을 네트워크 말단에 직접 연결하는 새로운 아키텍처인 SemiDenseNet을 제안합니다. 우리의 아키텍처는 훈련 중 기울기 전파를 효율적으로 수행하면서 매개변수 수를 제한하여, 3D U-Net과 같은 인기 있는 의료 이미지 분할 네트워크보다 한 자릿수 적은 매개변수가 필요합니다. 또 다른 공헌점은 다중 이미지 모드의 조기 또는 후기 융합이 깊은 구조의 성능에 미치는 영향에 대한 연구입니다. 우리는 6개월 영아 뇌 MRI 분할에서 MICCAI iSEG-2017 챌린지 공개 데이터에서 우리의 방법론 평가 결과를 보고하며, 21개 팀 중 대부분 지표에서 1위나 2위를 차지하는 매우 경쟁력 있는 결과를 보여주었습니다.