[論文レビュー] 2D-Densely Connected Convolution Neural Networks for automatic Liver and Tumor Segmentation

Krishna Chaitanya Kaluva, Mahendra Khened+2 more|arXiv (Cornell University)|Jan 5, 2018

Advanced Neural Network Applications参考文献 6被引用数 68

ひとこと要約

この論文は、CT画像における自動肝臓および腫瘍セグメンテーションのための、2段階 cascaded DenseNet ベースのフレームワークを提案し、テストセットで liver dice が 0.923、tumor dice が 0.625 を達成します。肝 localization を用いて肝領域内の腫瘍セグメンテーションをガイドし、境界精度を改善するために weighted losses と post-processing を用います。

ABSTRACT

In this paper we propose a fully automatic 2-stage cascaded approach for segmentation of liver and its tumors in CT (Computed Tomography) images using densely connected fully convolutional neural network (DenseNet). We independently train liver and tumor segmentation models and cascade them for a combined segmentation of the liver and its tumor. The first stage involves segmentation of liver and the second stage uses the first stage's segmentation results for localization of liver and henceforth tumor segmentations inside liver region. The liver model was trained on the down-sampled axial slices $(256 imes 256)$, whereas for the tumor model no down-sampling of slices was done, but instead it was trained on the CT axial slices windowed at three different Hounsfield (HU) levels. On the test set our model achieved a global dice score of 0.923 and 0.625 on liver and tumor respectively. The computed tumor burden had an rmse of 0.044.

研究の動機と目的

• CT体積から肝臓とその腫瘍をセグメンテーションする自動的な方法を開発する。
• 肝臓のセグメンテーションが腫瘍セグメンテーション領域を局在化する2段階 cascadedアプローチを活用する。
• 限られたデータで特徴の再利用を高めるために、 DenseNetベースのFCNを用いて特徴の再利用を高める。

提案手法

• 2段階のカスケード型フレームワークを採用する：まず肝臓をセグメントし、次に肝臓領域内の腫瘍をセグメントする。
• 4層のdense blocksと遷移層を備えたDenseNetベースのFCNブロックを用い、下サンプリングと上サンプリングを行う。
• 肝モデルはダウンサンプリングされた256x256軸位スライスで訓練し、腫瘍モデルは3つの異なるHUウィンドウングを入力としたフルサイズのスライスで訓練する。
• 肝の境界精度を向上させるため、エッジウェイトマップを用いた空間的に重み付けされたクロスエントロピー損失を使う。腫瘍にはdice損失を含むミックス損失を用いる。
• 肝予測に対して、偽陽性を減らすために侵食、最大連結成分、膨張といった後処理を適用する。

実験結果

リサーチクエスチョン

• RQ1 段階的な局在化を用いて、カスケード型DenseNetベースのFCNはCTデータで肝臓と腫瘍を正確にセグメントできるか？
• RQ2 複数のHUウィンドウ入力は、単一チャネル入力と比較して腫瘍境界の学習を改善するか？
• RQ3 肝臓と腫瘍のセグメンテーションにおいて、クラス不均衡と境界精度を最も適切に扱う損失の定式化は何か？
• RQ4 肝セグメンテーションで偽陽性を最適に減らす後処理手順は何か？
• RQ5 提案手法はLITS MICCAI-2017データセットでどのように性能を示すか？

主な発見

• 肝臓セグメンテーションは14件のテストボリュームセットで平均Diceスコア0.923を達成した。
• 同じテストセットで腫瘍セグメンテーションは平均Diceスコア0.625を達成した。
• 腫瘍負荷推定はテストセットでRMSE 0.044を示した。
• 肝臓誘導の腫瘍局在を組み込んだ提案された2段階カスケードは、肝臓領域内のセグメンテーションを改善した。
• 腫瘍用の3チャネルHUウィンドウ付き入力の使用は、単一チャネルアプローチと比較して境界学習を改善した。
• 空間的に重み付けされたクロスエントロピーとdice損失を組み合わせた方が、単独のクロスエントロピーよりも重なりが良かった。