[論文レビュー] 3D Densely Convolutional Networks for Volumetric Segmentation

Toan Duc Bui, Jitae Shin+1 more|arXiv (Cornell University)|Sep 11, 2017

Advanced Neural Network Applications参考文献 2被引用数 52

ひとこと要約

本論文は、空間情報を保持するためのマルチスケール特徴融合とストライド-2畳み込みにより、パラメータ数を抑えつつ精度を向上させる、体積的（3D）に密結合したネットワーク（3D-DenseSeg）を用いた脳分割を提案する。

ABSTRACT

In the isointense stage, the accurate volumetric image segmentation is a challenging task due to the low contrast between tissues. In this paper, we propose a novel very deep network architecture based on a densely convolutional network for volumetric brain segmentation. The proposed network architecture provides a dense connection between layers that aims to improve the information flow in the network. By concatenating features map of fine and coarse dense blocks, it allows capturing multi-scale contextual information. Experimental results demonstrate significant advantages of the proposed method over existing methods, in terms of both segmentation accuracy and parameter efficiency in MICCAI grand challenge on 6-month infant brain MRI segmentation.

研究の動機と目的

• 低組織対比を持つ等信号の乳児脳MRI分割の課題に対処する。
• 情報と勾配フローを改善するために、DenseNetのような密結合ネットワークを3D体積セグメンテーションに活用する。
• ストライド-2畳み込みとボトルネックDenseNet (DenseNet-BC) 設計により、パラメータを削減しつつ空間情報を保持する。
• 細部と粗部のdenseブロックからの特徴を統合して、多尺度の文脈情報を取り入れる。
• iSeg 6か月齢乳児脳MRI分割ベンチマークで有効性を示す。

提案手法

• DenseNetを47層アーキテクチャ（3D-DenseSeg）として3D体積分割に拡張する。
• プーリングをストライド-2畳み込みに置換して空間情報を保持し、パラメータ数を削減する。
• ボトルネックと圧縮（DenseNet-BC）を用いて特徴マップをコンパクトに保つ（成長率 k=16; 遷移で theta=0.5）。
• マルチスケール特徴抽出のため、ダウンサンプリングパスを4つのDense Blockで構築（各ブロック：BN-ReLU-Conv(1x1x1)-BN-ReLU-Conv(3x3x3) with dropout）。
• Dense Block間にトランジションブロックとストライド-2畳み込みを適用し、空間手掛かりを保ちながらダウンサンプルする。
• アップサンプリングパスでは、各Dense Blockの後に3Dアップサンプリングを行い、マルチレベル特徴を連結して多尺度の文脈を得る。
• 連結特徴を1x1x1畳み込みとソフトマックスで分類し、組織確率マップを生成する。

実験結果

リサーチクエスチョン

• RQ1 既存の3D分割モデルと比べて、等信号の乳児脳MRIにおける体積ベースの脳組織分割を、密結合の3Dネットワークは改善できるか。
• RQ2 細部および粗部のdenseブロックからの多尺度特徴の統合は、パラメータ効率を維持しつつ分割精度を向上させるか。
• RQ3 プーリングをストライド-2畳み込みに置換することは、3Dネットワークにおける空間情報の保持と分割性能にどのような影響を与えるか。
• RQ4 3D分割タスクにおけるパラメータ削減のためのDenseNet-BCボトルネックの利点は何か。
• RQ5 提案手法はiSeg 6か月齢乳児脳MRI分割ベンチマークで、最先端手法と比較してどのように性能を示すか。

主な発見

• 3D-DenseSegアーキテクチャは47層で1.55Mパラメータを達成し、検証データにおける精度で3D-UnetおよびDenseVoxNetを上回る（DSC: 92.50 対 89.57 および 85.46）。
• iSegデータセットで最先端の性能を達成し、報告された検証結果で競合法より高いDSCスコアを示す。
• 密結合を持つ深層ネットは、細部と粗部のdense blocksの連結による情報の流れと多尺度文脈の捕捉を改善する。
• プーリングをストライド-2畳み込みに置換することで、パラメータはわずかに増えるが空間情報を保持し、性能向上をもたらす。
• DenseNet-BC設計はパラメータ数を削減しつつ非常に深いネットワークを可能にし、精度と効率の両立に寄与する。