AI Talk Series: On the Robustness of Deep Learning Models for Brain MRI Segmentation

Pada tanggal 27 Mei 2022, Tokopedia-UI AI Center of Excellence mengundang Rizal Maulana, S.Kom, mahasiswa pascasarjana Fasilkom UI, sebagai pembicara utama pada AI Talk Series bulan ini dengan topik “On the Robustness of Deep Learning Models for Brain MRI Segmentation”. Kegiatan ini berlangsung secara daring melalui platform Zoom. Acara ini dimulai dengan sambutan Bapak Fariz Darari, Ph.D selaku Co-Director Tokopedia-UI Artificial Intelligence Center of Excellence dan dilanjutkan dengan penjelasan profil singkat tentang pembicara. Tujuan dari diselenggarakannya acara ini antara lain peserta dapat memahami bagaimana implementasi dan tingkat robustness model deep learning (DL) dalam permasalahan segmentasi citra medis terkhususnya citra MRI pada otak manusia.

Sesi talk series ini diawali dengan pembahasan secara umum terkait citra medis dan problem serta tantangannya. Dalam penjelasan dari pembicara, citra medis umumnya berbentuk 3D yang masing-masing dapat direpresentasikan dalam bentuk 2D dengan 3 plane/bidang yaitu sagital, coronal, dan axial. Selain itu, problem terkait pengolahan citra medis yang dibahas dalam sesi ini yaitu segmentasi white matter hyperintensities (WMH) pada citra medis otak penderita small vessel disease (SVD). Adapun tantangan segmentasi WMH yaitu batasan WMH yang tidak jelas karena adanya perubahan intensitas secara bertahap. Disisi lain, tantangan lainnya yaitu ketidakpastian (uncertainty) akan interpretasi daerah segmentasi dimana membutuhkan validasi praktisi ahli untuk mencapai suatu keputusan. Maka dari itu, diperlukan suatu model DL yang robust dengan performa yang baik untuk mengatasi tantangan tersebut.

Umumnya model DL yang dipakai untuk menyelesaikan problem segmentasi adalah U-Net sebagai state-of-the-art yang mampu memberikan performa yang baik. Selain itu dalam perkembangannya, U-Net memiliki varian yang lain yaitu U-Net++ yang memiliki skip connection, Attention U-Net dengan penambahan layer attention di setiap layer pada tahap upsampling, dan Attention U-Net++ yang merupakan penggabungan antara U-Net++ dan Attention U-Net. Pembicara juga memperkenalkan Probabilistic U-Net yang menerapkan conditional variational autoencoder (CVAE) yang dapat memperoleh distribusi prior/porsterior yang kompleks untuk menangkap dan memodelkan uncertainty dari suatu citra.

Bahasan selanjutnya, Rizal memaparkan eksperimen yang telah dilakukan terkait robustness dari Probabilistic U-Net dibandingkan dengan U-Net, U-Net++, dan Attention U-Net untuk segmentasi WMH. Dataset yang digunakan adalah Alzheimer’s Disease Neuroimaging Initiative (ADNI) dan WMH Segmentation Challenge dan bersifat open-source. Dari hasil eksperimen yang dilakukan dengan k-cross validation, Probabilistik U-Net mengungguli semua model yang diuji lainnya di semua pengukuran evaluasi (yaitu, DSC, MSE, dan Bland-Altman). Namun dengan eksperimen menggunakan cross dataset, U-Net mampu mengungguli beberapa pengukuran evaluasi dibandingkan dengan Probabilistic U-Net terutama ketika set data challenge digunakan untuk pelatihan. Setelah sesi materi selesai, para partisipan dipersilakan untuk mengajukan pertanyaan. Sebagai penutup, acara ini diakhiri dengan sesi foto bersama.

Link Video: https://youtu.be/YrOzEBBMp8k
Link Materi: s.id/BrainMRISegmentationMaterial

Computer Vision Talk Series