MindGrab for BrainChop: Fast and Accurate Skull Stripping for Command Line and Browser

기술 요약: BrainChop을 위한 MindGrab

문제 정의
신경 영상 분야에서 딥러닝의 도입은 배포의 복잡성과 특수 하드웨어 요구 사항으로 인해 현재 저해되고 있습니다. SynthStrip과 같은 최첨단 모델들은 높은 정확도를 제공하지만, 방대한 파라미터 수와 무거운 소프트웨어 의존성(종종 고성능 NVIDIA GPU 및 복잡한 시스템 관리 필요)으로 인해 많은 임상의와 연구자들을 배제합니다. 또한, 클라우드 기반 솔루션은 HIPAA와 같은 규정에 따른 개인 건강 정보(PHI)와 관련된 데이터 프라이버시 문제를 야기합니다. 따라서 다중 모달 영상에 대한 견고성을 희생하지 않으면서도, 웹 브라우저 및 소비자용 하드웨어를 포함한 로컬의 자원이 제한된 환경에서도 실행 가능할 만큼 가볍고, 동시에 높은 정확도를 유지하는 두개골 추출(skull stripping) 도구에 대한 절실한 필요성이 존재합니다.

방법론
저자들은 전통적인 공간적 수용 영역(receptive field) 분석 대신, 확산된 컨볼루션(dilated convolutions)의 스펙트럼 해석을 사용하여 제1원리로부터 설계된 경량화된 완전 컨볼루션 모델인 MindGrab을 제안합니다.

• 아키텍처 설계: 이 모델은 확산(dilation)이 주파수 영역에서 튜닝 메커니즘으로 작용하는 "스펙트럼 관점"을 활용합니다. 커널 가중치 사이에 간격을 도입함으로써, 모델은 k-공간 전반에 걸쳐 푸리에 응답을 복제하는 주기적 필터를 생성하며, 이를 통해 작은 커널이 넓게 떨어진 여러 주파수 대역과 상호작용할 수 있게 합니다.

  • 아키텍처는 5개의 연속적인 감소하는 확산 블록(▶▶▶▶▶로 표시)으로 구성되며, 각 블록은 16→8→4→2→1의 확산 시퀀스를 포함합니다. 이 "고주파-저주파" 시퀀스는 네트워크가 먼저 고주파 경계 세부 사항을 포착한 다음, 이 정보를 점진적으로 더 거칠고 견고한 표현으로 강제하도록 합니다.
  • 네트워크는 매우 조밀하며, 총 26개의 레이어(15개의 채널을 가진 5개의 3×3×3 컨볼루션 블록과 1개의 1×1×1 투영 레이어)로 구성됩니다.
  • 이 모델은 BatchNorm 대신 ChannelNorm(채널 수와 동일한 그룹을 가진 GroupNorm을 사용하는 파라미터 프리 정규화)을 사용하여 더 높은 견고성을 확보했습니다.
  • 모델은 파라미터가 없는 볼륨별 z-scoring을 사용하며 바이어스(bias)를 사용하지 않습니다. 추론 시에는 한 번에 하나의 활성화 맵만 저장하여 메모리 사용량을 최소화합니다.

• 학습 전략: MindGrab은 SynthSeg를 사용하여 다양한 (뇌 이미지, 라벨) 쌍을 생성하는 Wirehead 파이프라인을 통해 생성된 합성 데이터로만 학습되었습니다. 학습 세트는 171개의 볼륨(SynthStrip 데이터 및 크롭된 변형 포함)에서 유래된 약 250,000개의 샘플을 포함하며, 무작위 증강(공간적 변형, 강도 변화, 해상도 무작위화, 아티팩트 시뮬레이션)이 적용되었습니다.

• 배포: 모델은 BrainChop 플랫폼을 통해 두 가지 형식으로 제공됩니다:

  1. 로컬 처리를 위한 명령줄 도구(pip install brainchop).
  2. 브라우저에서 직접 실행 가능한 제로 설치 웹 애플리케이션(brainchop.org).
  3. 변형 모델인 MindGrab⚡︎는 크롭된 입력(머리 주변의 빈 공간을 제거)에 모델을 적용하여 성능을 더욱 최적화합니다.

주요 결과

• 정확도: MindGrab은 16개의 다중 모달 데이터셋(T1w, T2w, PD, MRA, DWI, CT, PET, FLAIR 포함)에 대해 95.9 ± 1.6의 평균 Dice 점수를 달순합니다.
  • 모든 데이터셋에서 고전적 방법인 ROBEX 및 BET를 유의미하게 능가합니다.
  • SynthStrip과 비교했을 때, MindGrab은 4개 카테고리에서 통계적으로 우수하고, 3개 카테고리에서는 유의미한 차이가 없으며, 9개 카테고리에서는 유의미하게 낮습니다. 그러나 모든 경우에서 SynthStrip의 Dice 점수와 3% 이내의 차이를 유지하며 경쟁력 있는 전반적인 성능을 입증했습니다.
  • 정밀도(Precision) 대 재현율(Recall): MindGrab은 SynthStrip(정밀도 96.6 ± 1.6, 재현율 96.6 ± 2.3)에 비해 높은 정밀도(97.9 ± 1.6)를 보이지만 낮은 재현율(94.3 ± 3.7)을 보입니다. 이는 과다 분할(over-segmentation)을 최소화하기 위해 약간의 과소 분할(under-segmentation)을 감수하는 보수적인 분할 전략을 우선시함을 나타냅니다.
• 효율성: MindGrab은 계산 효율성 측면에서 극적인 개선을 보여줍니다:
  • 메모리: SynthStrip에 비해 최대 40배 적은 RAM을 사용하며 GPU 메모리도 훨씬 적게 사용합니다. Apple M2 Max에서 RAM 사용량이 25~33배 감소했습니다.
  • 속도: Apple Silicon에서 최대 40배의 속도 향상을, NVIDIA GPU에서 2~4배의 속도 향상을 달성했습니다.
  • 크기: 모델 크기는 단 581 KB이며, 전체 명령줄 패키지는 20 MB 미만입니다.

의의 및 주장
본 논문은 MindGrab이 신경 영상 분야의 정확도와 접근성 사이의 긴장을 해결한다고 주장합니다. SynthStrip 대비 모델 크기를 95% 줄이면서도 대등한 정확도를 유지함으로써, MindGrab은 다음을 가능하게 합니다:

1. 광범한 접근성: 단순한 pip 설치나 웹 브라우저를 통해 즉시 사용 가능한 도구로서, 소프트웨어 설치 및 하드웨어 의존성에 따른 장벽을 제거합니다.
2. 프라이버시 보존 분석: 로컬 또는 브라우저 내에서 실행할 수 있는 능력은 민감한 임상 데이터를 제3자 서버로 전송하지 않고도 처리할 수 있게 하여, HIPAA 및 기관의 프라이버시 제약 문제를 해결합니다.
3. AI의 민주화: NVIDIA가 아닌 하드웨어(특히 Apple Silicon) 및 소비자급 기기에 최적화된 모델은 자원이 제한된 임상 및 연구 환경에서도 최첨단 뇌 추출을 가능하게 합니다.

저자들은 독특한 해부학적 차이와 낮은 조직 대비를 가진 영유아 인구에 대해 검증되지 않았다는 점과, 고대비 아티팩트가 포함된 영상에서 어려움을 겪을 수 있다는 한계를 언급했습니다. 그러나 이들은 MindGrab을 대다수의 성인 신경 영상 애플리케이션을 위한 실질적이고 즉각적인 솔루션으로 제시합니다.