Core Concepts
다양한 관심 영역(ROI) 크기와 모양을 가진 뇌 MRI 분할 작업에서 만족스러운 모델 성능을 달성하기 위해 필요한 최소 데이터 양을 추정하는 전략적 프레임워크를 제안한다.
Abstract
이 연구는 딥러닝 모델 개발 초기 단계에 초점을 맞추고 있다. 저자들은 패치 기반 분할 네트워크를 위한 필요 데이터량을 추정하기 위한 전략적 프레임워크를 제안한다.
이 프레임워크에는 새로운 Minor Boundary Adjustment for Threshold (MinBAT) 방법을 통한 성능 기대치 설정과 ROI 기반 Expanded Patch Selection (REPS) 방법을 통한 패치 선택 표준화가 포함된다.
실험 결과, ROI 크기 또는 모양이 다른 작업에서는 다양한 수준의 Dice Similarity Coefficient (DSC) 점수가 허용 가능할 수 있음을 보여준다. 목표 DSC를 설정하면 필요한 학습 데이터 양을 추정하고 예측할 수 있다. 이 접근법은 딥 뉴럴 네트워크 기반 새로운 분할 작업을 정의할 때 데이터 수집 및 주석 작업에 드는 비용을 추정하는 데 도움이 될 수 있으며, 실제 응용 분야로의 효율적인 전환에 기여할 수 있다.
Stats
뇌 분할 작업에서 DSC는 약 0.977이며, 표면적 대 부피 비율(S/V)은 약 0.048이다.
종양 분할 작업에서 DSC는 약 0.810이며, S/V는 약 0.160이다.
병변 분할 작업에서 DSC는 약 0.630이며, S/V는 약 0.700이다.
Quotes
"다양한 관심 영역(ROI) 크기와 모양을 가진 뇌 MRI 분할 작업에서 만족스러운 모델 성능을 달성하기 위해 필요한 최소 데이터 양을 추정하는 전략적 프레임워크를 제안한다."
"목표 DSC를 설정하면 필요한 학습 데이터 양을 추정하고 예측할 수 있다."
"이 접근법은 딥 뉴럴 네트워크 기반 새로운 분할 작업을 정의할 때 데이터 수집 및 주석 작업에 드는 비용을 추정하는 데 도움이 될 수 있으며, 실제 응용 분야로의 효율적인 전환에 기여할 수 있다."