[論文レビュー] 4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation

Nils Gessert, Marcel Bengs+6 more|arXiv (Cornell University)|Apr 20, 2020

Multiple Sclerosis Research Studies参考文献 8被引用数 8

ひとこと要約

本論文は、ベースラインとフォローアップスキャンに加えて時間的履歴を組み込むことで、複数発症性硬化症（MS）病変の活動性セグメンテーションを向上させるための4次元ディープラーニングフレームワークを提案する。多層エンコーダ・デコーダ構造と畳み込みゲート付き再帰ユニット（convGRUs）を用い、先行手法を上回る性能を達成し、誤検出率0.19における病変単位の真正陽性率は0.84を記録した。これにより、拡張された時間的文脈が検出精度を向上させることを示した。

ABSTRACT

Multiple sclerosis lesion activity segmentation is the task of detecting new and enlarging lesions that appeared between a baseline and a follow-up brain MRI scan. While deep learning methods for single-scan lesion segmentation are common, deep learning approaches for lesion activity have only been proposed recently. Here, a two-path architecture processes two 3D MRI volumes from two time points. In this work, we investigate whether extending this problem to full 4D deep learning using a history of MRI volumes and thus an extended baseline can improve performance. For this purpose, we design a recurrent multi-encoder-decoder architecture for processing 4D data. We find that adding more temporal information is beneficial and our proposed architecture outperforms previous approaches with a lesion-wise true positive rate of 0.84 at a lesion-wise false positive rate of 0.19.

研究の動機と目的

• ベースラインとフォローアップスキャンに加えて、2つの時間点を超える時間的MRA履歴を活用することで、複数発症性硬化症の病変活動性セグメンテーションを向上させること。
• ベースラインに歴史的スキャンを追加することで、検出性能が向上するかどうかを調査すること。
• 時間点間で共有パラメータを持つ4次元空間時間的MRAデータを効率的に処理できるディープラーニングアーキテクチャを設計すること。
• デコーダーにおける標準的な特徴連結と比較して、convGRUsによる再帰的時間的集約が、4次元病変活動性予測に与える効果を検証すること。

提案手法

• モデルは、時間的パス間で共有された重みを持つResNetベースの3次元畳み込みニューラルネットワーク（3D CNN）と、複数のエンコーダ・デコーダ構造を用い、T個の時間点を並列に処理する。
• 時間的依存性をモデル化するため、エンコーダとデコーダの間に畳み込みゲート付き再帰ユニット（convGRUs）を用いた時間的集約を実施する。
• ネットワーク内の長距離スキップ接続に対しても、同じconvGRUベースの再帰的手法を用いて時間的特徴の統合を実現する。
• モデルパラメータの増加を抑えて、任意の数の時間点を扱えるように設計されており、より長い時間的系列へのスケーラビリティを実現している。
• トレーニング時のバッチサイズが1と小さいため、インスタンス正規化を適用している。
• 推論時には、重複するクロップを用いて全病変活動マップを再構築し、重複領域は平均化処理を施す。

実験結果

リサーチクエスチョン

• RQ1 ベースラインとフォローアップスキャンに加えて、歴史的MRAスキャンを組み込むことで、病変活動性セグメンテーションの性能が向上するか？
• RQ2 convGRUsによる再帰的時間的集約は、デコーダーにおける単純な特徴連結よりも、4次元病変活動性予測において効果的か？
• RQ3 共有重みを持つマルチパスエンコーダ・デコーダアーキテクチャは、時間点数が異なる場合にも一般化可能か？
• RQ4 時間的文脈の組み込みが、病変検出における真正陽性率と誤検出率のトレードオフに与える影響は何か？
• RQ5 提案されたアーキテクチャは、パラメータの増加を最小限に抑えつつ、より長い時間的系列に対してもスケーラブルか？

主な発見

• T=3時間点を用いた提案されたEnc-convGRU-Decモデルは、病変単位の真正陽性率0.84を達成し、すべての先行手法を上回った。
• 病変単位の誤検出率0.19におけるDiceスコアは0.64を記録し、これは以前の最先端技術を顕著に上回った。
• convGRUsを用いた時間的集約は、T=2スキャンでのみでも、特徴連結よりも優れた性能を示した。
• convGRUベースのアーキテクチャを用いた場合、T=3（歴史的スキャン追加）の方がT=2よりも性能が向上した。これは、拡張された時間的文脈が有益であることを示している。
• パラメータ共有のおかげで、異なる時間点数に対しても一貫した性能を維持でき、より長い系列へのスケーラビリティが実現した。
• 重複推論クロップを用いることで、信頼性の高い全ボリューム病変活動マップが得られ、アーキテクチャのロバスト性と一般化性能が裏付けられた。