뇌종양 분할 (Brain Tumors Segmentation)

Languages

License

Build Status

Issues

Contributors

Stars

Forks

Last Commit

Repo Size

Open In Colab

Open in Kaggle

Open in Gradient

뇌종양 분할(Segmentation)

뇌종양은 전 세계적으로 가장 치명적인 질병 중 하나이며, 특히 교모세포종(glioma)이 유행하고 진단하기 어렵습니다. 전통적으로 의사 및 방사선 전문의들은 이 종양들을 식별하고 평가하기 위해 MRI와 CT 스캔에 의존합니다. 하지만 이러한 진단 과정은 시간이 많이 걸릴 뿐만 아니라 인간의 오류에도 취약하여 중요한 치료 결정을 지연시킬 수 있습니다.

진단 정확도와 임상 환경에서의 효율성을 높이기 위해 딥러닝 기법이 의료 영상에 점차 통합되고 있습니다. 수년 동안 딥러닝은 복잡한 의료 이미지를 분석하는 데 탁월한 성능을 보여왔으며, 의료 전문가들에게 신뢰할 수 있는 지원을 제공하고 있습니다. 대규모 데이터셋을 활용함으로써, 딥러닝 모델은 뇌 스캔에서 패턴과 이상 징후를 합리적인 정확도로 인식하도록 훈련될 수 있으며, 이는 뇌종양의 조기 발견 및 치료를 용이하게 합니다.

본 저장소는 브레인 종양 분할(Brain Tumors Segmentation)을 위해 새로운 알고리즘과 기존 최첨단(state-of-the-art) 알고리즘 모두를 개발하고 평가하기 위해 BraTS 2021 및 BraTS 2023 데이터셋을 활용합니다. 연구 편의를 위해, 저희는 학습, 평가, 데이터 로딩, 전처리, 모델 개발에 필요한 코드를 오픈 소스로 공개했습니다. 연구자들은 이 템플릿을 사용하여 자신들의 모델을 구축하고 정확도와 설명 가능성(explainability)을 향상시킬 수 있습니다.

BraTS 뇌종양 데이터셋

모든 BraTS23 mpMRI 스캔은 NIfTI 파일 형태로 제공되며, T2 Fluid Attenuated Inversion Recovery (FLAIR), native (T1), T2-weighted (T2), 그리고 조영 증강 후의 T1-weighted (T1Gd) 이미지를 포함합니다. 이 스캔들은 여러 기관에서 다양한 임상 프로토콜과 여러 종류의 스캐너를 사용하여 획득되었습니다.

어노테이션은 GD-enhancing tumor (ET — label 3), peritumoral edematous/invaded tissue (ED — label 2), 그리고 necrotic tumor core (NCR — label 1)로 구성됩니다. 더 자세한 내용은 여기에서 확인할 수 있습니다. 이 하위 영역들은 세 가지의 더욱 분할하기 쉬운(segmentation-friendly) 영역으로 클러스터링될 수 있으며, 이는 분할 성능을 평가하는 데 사용됩니다. 여기에는 enhanced tumor (ET), tumor core (TC) (ET와 NCR 결합), 그리고 whole tumor (WT) (ED를 TC에 결합한 것)가 포함됩니다.

이 데이터셋은 전문 방사선과 의사에 의해 레이블링된 1,251명의 환자 사례를 포함하고 있습니다. 하지만 검증(validation) 및 테스트 세트의 사례들은 어노테이션 되어 있지 않습니다. 따라서 실제 학습 세트는 학습(training), 검증(validation), 그리고 테스트 세트로 나뉩니다. 학습 세트에는 833개의, 그리고 모델 평가를 위한 검증 및 테스트 세트 각각에 209개의 환자 기록이 포함됩니다. [9].

전체 데이터셋은 여기에서 이용 가능하며, 계정을 생성하고 등록된 계정으로 로그인하여 데이터 다운로드를 요청해야 합니다. 요청이 승인되면 파일 탭에서 데이터셋 파일을 다운로드할 수 있습니다. 데이터셋을 다운로드하면 어노테이션 파일이 있는 학습 데이터를 기반으로 다음과 같은 분할(split)을 만들게 됩니다. BraTS 2023에는 총 1251개의 환자 기록이 있으므로, 아래 그림에 설명된 바와 같이 필요에 따라 트레인, 검증 및 테스트 세트로 분할하게 됩니다.

└── dataset
    └── brats2023
        ├── train
...

설치 가이드

Anaconda 환경을 권장합니다.

git clone https://github.com/faizan1234567/Brain-Tumors-Segmentation
cd Brain-Tumors-Segmentation

Anaconda에서 가상 환경을 생성하고 활성화합니다.

conda create -n brats_segmentation python=3.9.0 -y 
conda activate brats_segmentation

이제 모든 의존성을 설치합니다.

pip install --upgrade pip
pip install -r requirements.txt

사용법 (Usage)

BraTS 2023 또는 BraTS 2021에서 학습시키려면, 두 데이터셋은 명명 규칙만 다를 뿐 동일하므로 아래의 학습 명령어를 실행합니다:

python train.py -h
python train.py dataset.dataset_folder=<데이터셋 경로> training.max_epochs=100 training.batch_size=1 training.val_every=1 training.learning_rate=1e-4 model.architecture=nn_former

test 세트에서 모델을 테스트하려면 다음 명령어를 사용합니다:

python test.py -h
python test.py test.weights=<경로> dataset.dataset_folder=<경로> test.batch=1 model.architecture=nn_former

시각화(Visualize)를 하려면 다음을 사용합니다:

python show.py -h
python show.py --type "get-gif"

지원 모델 (Supported Models)

각 모델은 논문에서 제시된 세부 사항을 정확히 따라 NVIDIA RTX-4070 GPU에서 300 에포크(epochs) 동안 학습되었습니다.

참고문헌

[1]. MICCAI BRATS. (n.d.). MICCAI brats - 다중 모드 뇌종양 분할 과제. MICCAI BRATS - 다중 모드 뇌종양 분할 과제. http://braintumorsegmentation.org/

[2]. monai. (n.d.). 홈. MONAI. https://monai.io/

[4]. Chadha, A. (n.d.). Amanchadha/Coursera-ai-for-Medicine-specialization: deeplearning.ai에서 제공하는 Coursera AI for Medicine Specialization의 모든 과정에 포함된 프로그래밍 과제, 실습 및 퀴즈. GitHub. https://github.com/amanchadha/coursera-ai-for-medicine-specialization

[5]. Zhou, C., Ding, C., Wang, X., Lu, Z., & Tao, D. (2020). 뇌종양 분할을 위한 교차 과제 유도 어텐션을 갖춘 원패스 다중 작업 네트워크. IEEE Transactions on Image Processing, 29, 4516-4529.

[6]. Liu, Z., Lin, Y., Cao, Y., Hu, H., Wei, Y., Zhang, Z., ... & Guo, B. (2021). Swin 트랜스포머: 시프트된 창을 사용한 계층적 비전 트랜스포머. In Proceedings of the IEEE/CVF international conference on computer vision (pp. 10012-10022).

[7]. He, K., Zhang, X., Ren, S., & Sun, J. (2016). 이미지 인식을 위한 깊은 잔여 학습. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).

[8]. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: 생의학 이미지 분할을 위한 컨볼루션 네트워크. In Medical image computing and computer-assisted intervention–MICCAI 2015: 18th international conference, Munich, Germany, October 5-9, 2015, proceedings, part III 18 (pp. 234-241). Springer International Publishing.

[9]. Lin, J., Lin, J., Lu, C., Chen, H., Lin, H., Zhao, B., ... & Han, C. (2023). CKD-TransBTS: 뇌종양 분할을 위한 임상 지식 기반 하이브리드 트랜스포머 및 모달리티 상관관계 교차 어텐션. IEEE transactions on medical imaging, 42(8), 2451-2461.

[10]. Myronenko, A. (2019). Autoencoder 정규화를 사용한 3D MRI 뇌종양 분할. Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries: 4th International Workshop, BrainLes 2018, MICCAI 2018과 연계하여 스페인 그라나다에서 개최된 2018년 9월 16일, 개정 선정 논문 Part II 4 (pp. 311-320). Springer International Publishing.

[11]. Ranzini, M., Fidon, L., Ourselin, S., Modat, M., & Vercauteren, T. (2021). MONAIfbs: MONAI 기반 태아 뇌 MRI 심층 학습 분할. arXiv preprint arXiv:2103.13314.

[12]. Zhou, Z., Rahman Siddiquee, M. M., Tajbakhsh, N., & Liang, J. (2018). Unet++: 의료 영상 분할을 위한 중첩된 U-Net 아키텍처. Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support: 4th International Workshop, DLMIA 2018 및 8th International Workshop, ML-CDS 2018, MICCAI 2018과 연계하여 스페인 그라나다에서 개최된 2018년 9월 20일, 발표 논문집 4 (pp. 3-11). Springer International Publishing.

[13]. Hatamizadeh, A., Nath, V., Tang, Y., Yang, D., Roth, H. R., & Xu, D. (2021년 9월). Swin unetr: MRI 영상에서 뇌종양의 의미론적 분할을 위한 Swin 트랜스포머. International MICCAI brainlesion workshop (pp. 272-284). Cham: Springer International Publishing.

[14]. Milletari, F., Navab, N., & Ahmadi, S. A. (2016년 10월). V-net: 체적 의료 영상 분할을 위한 완전 컨볼루션 신경망. 2016년 제4회 국제 3D 비전 학회(3DV) (pp. 565-571). Ieee