[論文レビュー] 3D multirater RCNN for multimodal multiclass detection and characterisation of extremely small objects

Carole H. Sudre, Beatriz Gómez Ansón+8 more|arXiv (Cornell University)|Dec 21, 2018

Advanced Neural Network Applications参考文献 5被引用数 12

ひとこと要約

本稿では、脳小血管障害における拡張した血管周囲空間（EPVS）およびラキューヌを含む、マルチモodal MRIデータ内での極めて小さな対象物（ESOs）の検出と特徴化を目的とした3次元マルチレーターRCNNフレームワークを提案する。マルチレーターのアノテーションを統合し、アダプティブなリージョンプロポーザルと距離回帰を備えた3次元HighResNetバックボーンを採用することで、高いレーター間ばらつきと極端なクラス不均衡にもかかわらず、ESO検出で72.7%の感度を達成した。

ABSTRACT

Extremely small objects (ESO) have become observable on clinical routine magnetic resonance imaging acquisitions, thanks to a reduction in acquisition time at higher resolution. Despite their small size (usually $

研究の動機と目的

• 3次元マルチモーダルMRIにおける極めて小さな対象物（ESOs）の検出と特徴化の課題に対処すること。特に、脳小血管障害の文脈において。
• EPVS やラキューヌなどの ESO の手動ラベリングにおける高いレーター間ばらつきが原因で生じるノイズの多いゴールドスタンダードを克服すること。
• 複数の画像モodal（T1、FLAIR、T2）を統合して ESO の検出と分類を同時に実行する深層学習フレームワークの開発を目的とし、レーターの不確実性を考慮する。
• 体積が1ボクセル未満であり、形態的多様性が大きいことから、しばしば見逃されがちな ESO の検出感度を向上させること。
• マルチレーターのコンセンサスと不一致をモデルの学習および推論に統合することで、神経血管障害の堅牢な自動フェノタイピングを実現すること。

提案手法

• マルチモーダルMRI（T1、FLAIR、T2）からの特徴抽出に、3次元HighResNetバックボーンを用いて2次元RCNNフレームワークを3次元に適応する。
• 3次元グリッド上にアンカーベースのアノテーションを用い、スケールと位置の回帰により ESO の局在を可能にする3次元リージョンプロポーザルネットワーク（RPN）を実装する。
• 各ボクセルから最近接する ESO の境界までの符号付き距離を予測することで、局在をガイドする距離マップ回帰ヘッドを導入する。
• 各レーターのラベルを確率的入力としてモデル化し、レーター間の合意度を反映する信頼スコアを用いてマルチレーターのアノテーションを統合する。
• 分類、回帰、距離マップの監視を統合したマルチタスク損失関数を採用し、極端な前景-背景およびクラス不均衡に対処するためのクラスバランスサンプリングを適用する。
• 小規模でまれなオブジェクトインスタンスの学習を安定化させるために、データオーグメンテーションと学習率スケジューリングを適用する。

実験結果

リサーチクエスチョン

• RQ1 高いレーター間ばらつきが生じるマルチモーダルMRIにおいて、3次元RCNNフレームワークを効果的に極めて小さな対象物（ESOs）の検出と特徴化に適応できるか？
• RQ2 合意と不一致の両方を考慮したマルチレーターのアノテーションを統合することで、検出のロバスト性と信頼性がどのように向上するか？
• RQ3 距離回帰とアダプティブリージョンプロポーザルは、10ボクセル未満の ESO の局在にどの程度寄与するか？
• RQ4 レーターの不確実性は、予測と真値のボックス間のIoU（共通部分割合）とどの程度相関しているか？
• RQ5 手動レーターのコンセンサスに存在しない ESO をモデルが検出できるか。また、その検出は生物学的に妥当であるか？

主な発見

• 2つのホールドアウトテスト被験者において、ESOの検出感度が72.7%に達し、極端なクラス不均衡にもかかわらず高いロバスト性を示した。
• 誤った陰性（False negatives）は真陽性（True positives）よりも顕著に小さく（p < 0.00001）、モデルが最も小さな ESO に対しては困難を抱えていることを示した。
• レーター合意度と検出オーバーラップの間に有意な相関が認められた（p = 0.002）。完全に合意されたケースでは中央値IoUが59%、不確実なケースでは30%であった。
• ゴールドスタンダードに存在しなかったが、臨床医によって有効なEPVSとして確認された ESO をモデルが検出しており、手動ラベリングを上回る感度が示された。
• 確率的分類出力から、信頼度が低い（p < 0.5）ボックスは主に不確実または誤りであり、信頼度が高い（p ≥ 0.5）予測はより信頼できることが分かった。
• 距離マップ回帰の導入により、特に標準的手法でセグメンテーションが困難な小規模で不規則な形状の ESO において、局在精度が向上した。