[論文レビュー] 3D Medical Image Segmentation based on multi-scale MPU-Net

Zeqiu. Yu, Shuo Han+1 more|arXiv (Cornell University)|Jul 11, 2023

Advanced Neural Network Applications被引用数 8

ひとこと要約

本論文は患者ボリュームCT画像に対してマルチスケールモジュールとTransformersに着想を得た注意機構を用いる3D腫瘍セグメンテーションモデル MPU-Net を提案し、LiTS 2017 で高いセグメンテーション指標を達成した。

ABSTRACT

The high cure rate of cancer is inextricably linked to physicians' accuracy in diagnosis and treatment, therefore a model that can accomplish high-precision tumor segmentation has become a necessity in many applications of the medical industry. It can effectively lower the rate of misdiagnosis while considerably lessening the burden on clinicians. However, fully automated target organ segmentation is problematic due to the irregular stereo structure of 3D volume organs. As a basic model for this class of real applications, U-Net excels. It can learn certain global and local features, but still lacks the capacity to grasp spatial long-range relationships and contextual information at multiple scales. This paper proposes a tumor segmentation model MPU-Net for patient volume CT images, which is inspired by Transformer with a global attention mechanism. By combining image serialization with the Position Attention Module, the model attempts to comprehend deeper contextual dependencies and accomplish precise positioning. Each layer of the decoder is also equipped with a multi-scale module and a cross-attention mechanism. The capability of feature extraction and integration at different levels has been enhanced, and the hybrid loss function developed in this study can better exploit high-resolution characteristic information. Moreover, the suggested architecture is tested and evaluated on the Liver Tumor Segmentation Challenge 2017 (LiTS 2017) dataset. Compared with the benchmark model U-Net, MPU-Net shows excellent segmentation results. The dice, accuracy, precision, specificity, IOU, and MCC metrics for the best model segmentation results are 92.17%, 99.08%, 91.91%, 99.52%, 85.91%, and 91.74%, respectively. Outstanding indicators in various aspects illustrate the exceptional performance of this framework in automatic medical image segmentation.

研究の動機と目的

• 高精度な自動腫瘍セグメンテーションを動機づけ、誤診と臨床医の負荷を低減する。
• 3D医用画像におけるグローバルコンテキストとマルチスケール情報を捉える MPU-Net を提案する。
• 位置認識型注意とクロス注意をマルチスケールデコーダに組み込み、局在化とセグメンテーションを改善する。
• 高解像度情報を活用したより良いセグメンテーション品質を引き出すハイブリッド損失関数を開発する。

提案手法

• 画像の並べ替えを伴うグローバル注意機構をトランスフォーマー風に採用し、Position Attention Module を導入。
• 各デコーダ層にマルチスケールモジュールとクロスアテンション機構を配してスケール間の特徴統合を強化。
• 訓練時に高解像度特性情報を活用するよう設計したハイブリッド損失関数を使用。
• モデルを Liver Tumor Segmentation Challenge 2017 (LiTS 2017) データセットで評価。
• 性能向上を示すため MPU-Net を U-Net ベースラインと比較。

実験結果

リサーチクエスチョン

• RQ1 MPU-Net は LiTS 2017 CT 腫瘍データ上で U-Net より高いセグメンテーション精度を達成できるか。
• RQ2 画像の並べ替えと Position Attention Module の併用は 3D CT セグメンテーションにおける文脈理解と局在化を改善するか。
• RQ3 マルチスケールデコーダモジュールとクロスアテンション機構はスケール間の特徴融合を高め、より良いセグメンテーションをもたらすか。
• RQ4 ハイブリッド損失関数は3D医用画像セグメンテーションにおける高解像度情報の活用を改善するか。

主な発見

• MPU-Net は LiTS 2017 において U-Net より優れたセグメンテーション性能を達成。
• 最適モデル指標には Dice 92.17%、Accuracy 99.08%、Precision 91.91%、Specificity 99.52%、IOU 85.91%、MCC 91.74% が含まれる。
• アーキテクチャはマルチスケールおよびクロス注意機構を通じて異なるレベルの特徴抽出と統合を強化。
• ハイブリッド損失関数はセグメンテーションのための高解像度特性情報を効果的に活用する。