Orientation-Aware Unsupervised Domain Adaptation for Brain Tumor Classification Across Multi-Modal MRI

기술 요약: 뇌 종양 분류를 위한 방향성 인식 비지도 도메인 적응

문제 제기
뇌 종양 진단을 위한 딥러닝의 임상적 통합은 두 가지 주요 장애물에 의해 방해받고 있습니다: 전문가가 주석한 자기공명영상 (MRI) 데이터의 부족과 기관 간 심한 도메인 편차입니다. 이러한 편차는 스캐너, 영상 촬영 프로토콜, 조영제 설정의 차이에서 비롯되어, 라벨이 지정된 소스 데이터로 훈련된 모델이 다른 기관의 라벨이 없는 타겟 데이터에 대해 일반화 성능이 떨어지게 만듭니다. 비지도 도메인 적응 (UDA) 은 도메인 불변 표현을 학습함으로써 잠재적인 해결책을 제공하지만, 기존 방법들은 다중 클래스 뇌 종양 분류에서 어려움을 겪습니다. 이러한 방법들은 종종 복잡한 시퀀스 간 변이를 고려하지 않을 뿐만 아니라, 다중 평면 MRI 뷰 (축상, 시상, 관상) 에 내재된 방향별 차이를 간과합니다. furthermore, 의료 영상 분야의 기존 UDA 연구 대부분은 이진 분류나 분할에 초점을 맞추고 있어, 다중 클래스 종양 분류는 충분히 탐구되지 않았습니다.

방법론
저자들은 혼합된 2D MRI 슬라이스에서 주석 부족과 도메인 편차를 해결하기 위해 설계된 새로운 2 단계 방향성 인식 UDA 프레임워크를 제안합니다.

1. 1 단계: 방향성 인식 슬라이스 분리

   • 목적: 분류 전에 혼합된 해부학적 평면을 분리함으로써 복잡한 도메인 편차 문제를 분해합니다.
   • 아키텍처: 넓은 수용 영역을 가진 확장 합성곱 신경망 (DilatedCNN) 을 사용합니다. 이는 국소 특징을 위한 표준 합성곱 블록과 전역 컨텍스트를 포착하기 위한 확장 합성곱 (레이트 2 및 4) 을 활용합니다.
   • 과정: 입력 MRI 슬라이스는 배경 노이즈를 억제하기 위해 이진 임계값 처리를 거치고 32×32 크기로 조정됩니다. 모델은 슬라이스를 축상, 시상, 관상의 세 가지 방향으로 분류합니다.
   • 훈련: 분류기는 교차 엔트로피 손실을 사용하여 수동으로 주석된 소스 및 타겟 하위 집합에서 훈련되며, 도메인 간 방향을 구분하는 데 높은 정확도 (약 97.4%) 를 달성합니다.

2. 2 단계: UDA 를 통한 방향별 분류

   • 아키텍처: 각 방향별로 세 개의 독립적인 분류 네트워크가 훈련됩니다. 각 네트워크는 ImageNet 에서 사전 훈련된 ResNet50 백본 (특징 추출기는 고정됨) 을 사용하며, 그 뒤에 네 개의 완전 연결 계층 (2048 → 1024 → 512 → 256 → 3) 이 이어집니다.
   • 1 단계 (지도 소스 훈련): 모델들은 범주형 교차 엔트로피 손실을 사용하여 라벨이 지정된 소스 데이터셋 (다중 모달 T1, T2, FLAIR) 에서 훈련됩니다. 훈련된 모델들은 라벨이 없는 타겟 데이터셋 (단일 모달 조영 증강 T1) 에 대해 의사 라벨을 생성합니다.
   • 2 단계 (클래스별 비지도 도메인 적응): 모델들은 라벨이 지정된 소스 데이터와 의사 라벨이 지정된 타겟 데이터를 모두 사용하여 정제됩니다. 훈련 목표는 다음을 결합합니다:
     • 소스 및 타겟 (의사 라벨 사용) 에 대한 분류 손실.
     • 재현 커널 힐베르트 공간 (RKHS) 에서 특징 분포를 정렬하기 위해 가우시안 커널을 기반으로 한 최대 평균 불일치 (MMD) 에 기반한 특징 정렬 손실.
   • 전략: 이 접근법은 클래스별 의미 정렬을 강제하면서 도메인 편차를 완화하며, 축상, 시상, 관상 분류기에 독립적으로 적용됩니다.

주요 기여

1. 슬라이스 분리 모듈: MRI 슬라이스를 해부학적 방향으로 명시적으로 분류하는 DilatedCNN 기반 모듈을 설계하여 방향별 학습을 가능하게 하고 도메인 편차의 복잡성을 줄였습니다.
2. 방향별 분류기: 각 방향별로 독립적인 ResNet50 기반 분류기를 사용하여 모델이 각 뷰에 특화된 클래스 구별 특징을 학습할 수 있도록 했습니다.
3. 의사 라벨 유도 클래스별 적응: MMD 손실을 사용하여 소스 및 타겟 특징을 정렬하면서 의사 라벨링을 통해 클래스별 의미를 보존하는 UDA 전략을 도입했습니다. 이는 기존 방법들이 다중 클래스 설정에서 클래스별 의미와 방향별 편차를 종종 간과하는 격차를 해소합니다.

결과
실험은 소스 데이터셋 (방글라데시 뇌암 MRI 데이터셋, 다중 모달) 과 타겟 데이터셋 (Figshare 뇌종양 데이터셋, 조영 증강 T1) 을 사용하여 수행되었습니다.

• 베이스라인 성능: 도메인 적응 없이 훈련된 모델은 타겟 매크로 F1 점수가 약 38% 로, 도메인 편차로 인한 심각한 일반화 실패를 나타냈습니다.
• UDA 방법과의 비교: 제안된 프레임워크는 타겟 매크로 F1 점수가 38% 에서 57% 범위에 있던 기존 UDA 접근법 (SHOT, DDC, JAN, CDAN, DANN 등) 보다 현저히 우수한 성능을 보였습니다.
• 제안된 성능: 전체 방향성 인식 프레임워크는 타겟 도메인에서 72.95% 의 매크로 F1 점수를 달성했습니다.
• 절차 분석 통찰: 슬라이스 분리 단계를 제거 ("W/O 슬라이스 분리") 한 결과 타겟 성능이 51.96% 로 하락하여 방향별 모델링이 중요함을 확인했습니다.
• 방향별 세부 사항: 성능은 뷰에 따라 달라졌으며, 관상 (80.45%) 과 시상 (82.94%) 슬라이스가 축상 슬라이스 (55.46%) 보다 더 좋은 성능을 보여, 상단에서 하향으로 보는 해부학적 뷰가 더 큰 구별적 도전을 제시함을 시사합니다.

의의 및 주장
본 논문은 다중 모달 및 다중 방향 변이가 존재하는 다중 클래스 뇌 종양 분류를 위한 UDA 의 탐구되지 않은 격차를 해결하는 데 주된 의의가 있다고 주장합니다. 저자들은 방향성 인식 슬라이스 분리와 의사 라벨 유도 MMD 정렬을 명시적으로 결합함으로써 도메인 편차와 클래스 불균형을 효과적으로 완화한다고 주장합니다. 그들은 사전 훈련된 모델이 적응 없이 도메인 간 일반화에 실패하지만, 그들의 방법은 MRI 분포를 정렬하여 견고한 성능 (약 73% 타겟 F1 점수) 을 달성한다고 결론지었습니다. 이 연구는 방향별 학습이 기존 도메인 정렬 이상의 성능 향상을 위해 필수적인 요소임을 강조하지만, 향후 주의를 필요로 하는 축상 슬라이스 정확도 및 클래스 불균형과 관련된 한계점도 인정합니다.