earticle

영어

The segmentation of brain MR images is performed to eliminate unwanted details and to locate relevant objects from the processed images. Many neuro-disorders such as Alzheimer's, multiple sclerosis, epilepsy, etc. can be diagnosed with the aid of brain tissue segmentation. In particular, automated segmentation of deep brain structures such as gray matter(GM), white matter(WM), cerebrospinal fluid(CSF) from magnetic resonance images play a vital role in increasing the rate for the diagnosis of brain-neural disorders. Most of the research on semantic segmentation is focused on improving the accuracy with computationally efficient solutions. In recent years, convolutional networks have shown breakthrough performance in image segmentation and classification. Convolution Neural Networks(CNN), with their ability to self-learn features from the given data, are being applied extensively for medical images analysis. In this paper, we present a comparative study on four popularly used CNN models such as Segnet, U-net, U-Segnet, and M-net for MRI brain tissue segmentation and summarize their observed experimental analysis. The performances are measured based on the Dice coefficient and Jaccard index. Experimental results show that M-net achieves better segmentation accuracy with Dice co-efficient 93% and JI 86%.

한국어

뇌 지기공명영상(MRI)의 분할은 원치 않는 부분을 제거하고 원하는 객체를 찾기 위해 수행된다. 알츠하이머, 다발 성 경화증, 간질 등과 같은 많은 신경 장애는 뇌 영상 조직의 분할 기법을 이용하여 진단할 수 있다. 특히, MRI으로 부터 회백질(GM), 백질(WM), 뇌척수액(CSF)과 같은 심부 뇌 구조의 자동 분할은 뇌 신경 장애의 진단 확률을 높이는데 중요한 역할을 한다. 뇌 MRI 영상 분할의 연구는 계산 복잡도를 감소시키면서 분할 정확도를 향상시키는 데 중점을 두고 진행되어 왔다. 최근 몇 년 동안 CNN은 영상 분할 및 분류에서 큰 정확도 향상의 성능을 보여주었 고, 의료 영상 분석에 광범위하게 적용되고 있다. 본 논문에서 뇌 MR 영상 분할를 위해 Segnet, U-net, U-Segnet 및 M-net과 같이 널리 사용되는 4 가지 CNN 모델에 대한 비교 실험 및 성능 분석을 실행하였다. 성능 은 Dice 계수(DI) 및 Jaccard 지수(JI)를 기준으로 측정되었고, 실험 결과 주요 CNN 모델 중 M-net은 Dice 계 수 93 % 및 JI 86 %로 가장 정확도가 높은 분할 성능을 보여주었다.