[論文レビュー] A Bottom-up Approach for Pancreas Segmentation using Cascaded Superpixels and (Deep) Image Patch Labeling

Amal Farag, Le Lü+4 more|arXiv (Cornell University)|May 22, 2015

Advanced Neural Network Applications参考文献 46被引用数 12

ひとこと要約

本稿では、段階的スーパープixelsと二段階の画像パッチラベリングを用いたボトムアップ型膵臓セグメンテーション手法を提案する。最初に効率的なランダムフォレストを用い、次に深層畳み込みニューラルネットワークを用いることで、80例のCTボリュームにおける6分割交差検証において、70.7%のDiceスコアと1ケースあたり6〜8分の実行時間を達成し、精度と効率の両面で最先端の手法を著しく上回った。

ABSTRACT

Robust automated organ segmentation is a prerequisite for computer-aided diagnosis (CAD), quantitative imaging analysis and surgical assistance. For high-variability organs such as the pancreas, previous approaches report undesirably low accuracies. We present a bottom-up approach for pancreas segmentation in abdominal CT scans that is based on a hierarchy of information propagation by classifying image patches at different resolutions; and cascading superpixels. There are four stages: 1) decomposing CT slice images as a set of disjoint boundary-preserving superpixels; 2) computing pancreas class probability maps via dense patch labeling; 3) classifying superpixels by pooling both intensity and probability features to form empirical statistics in cascaded random forest frameworks; and 4) simple connectivity based post-processing. The dense image patch labeling are conducted by: efficient random forest classifier on image histogram, location and texture features; and more expensive (but with better specificity) deep convolutional neural network classification on larger image windows (with more spatial contexts). Evaluation of the approach is performed on a database of 80 manually segmented CT volumes in six-fold cross-validation (CV). Our achieved results are comparable, or better than the state-of-the-art methods (evaluated by "leave-one-patient-out"), with Dice 70.7% and Jaccard 57.9%. The computational efficiency has been drastically improved in the order of 6~8 minutes, comparing with others of ~10 hours per case. Finally, we implement a multi-atlas label fusion (MALF) approach for pancreas segmentation using the same datasets. Under six-fold CV, our bottom-up segmentation method significantly outperforms its MALF counterpart: (70.7 +/- 13.0%) versus (52.5 +/- 20.8%) in Dice. Deep CNN patch labeling confidences offer more numerical stability, reflected by smaller standard deviations.

研究の動機と目的

• 膵臓の腹部CTスキャンにおけるセグメンテーション精度が、高い解剖学的可変性のため低くなるという課題に対処すること。
• 従来の手法が1ケースあたり10時間以上を要する場合が多いのに対し、計算上の効率性を向上させること。
• スーパープixels分解とマルチスケールパッチラベリングを組み合わせた、頑健で階層的なフレームワークを構築し、局在化精度と特異性を向上させること。
• 80例の手動セグメンテーション済みCTボリュームからなる大規模データセットを用い、厳密な交差検証を実施して本手法の評価を行うこと。
• マルチアトラスラベル統合（MALF）と比較し、平均Diceスコアと標準偏差の両面で優れた性能を示すことを目的とする。

提案手法

• 各CTスライスを境界保持型スーパープixelsに分解し、画像の階層的・領域ベースの表現を構築する。
• 局所的特徴（強度、テクスチャ、位置）を用いた密度の高い画像パッチラベリングを、ランダムフォレスト分類器で初期確率マップを生成する。
• 強度および確率特徴をプールして経験的統計を計算する、ランダムフォレストを用いた段階的スーパープixels分類フレームワークを実装する。
• より大きな画像ウィンドウ上で深層畳み込みニューラルネットワーク（CNN）を用いて、より広い空間的文脈を活用し、パッチレベルの予測を精緻化する。
• 接続性に基づく後処理を適用し、解剖学的に妥当なセグメンテーション結果を保証する。
• 高速なランダムフォレストによる初期ラベリングと、より正確だが計算コストの高いCNN推論による二段階パッチラベリング戦略を採用する。

実験結果

リサーチクエスチョン

• RQ1 トップダウン型またはアトラスベースの手法と比較して、ボトムアップ型のスーパープixelsに基づく手法が、異種の腹部CTスキャンにおける膵臓セグメンテーション精度を向上させられるか？
• RQ2 マルチスケールパッチラベリングとスーパープixels分類を段階的に組み合わせることで、局在化精度と計算効率の両方を向上させられるか？
• RQ3 従来のランダムフォレストと比較して、パッチラベリングに深層CNNを統合することにより、特異性と数値的安定性の面でどのように向上するか？
• RQ4 既存の最先端技術と比較して、本手法が実行時間の短縮を図りながらも、セグメンテーション性能を維持または向上させられる程度はどの程度か？
• RQ5 大規模で多様なデータセットにおいて、本手法はマルチアトラスラベル統合（MALF）を上回る平均Diceスコアと標準偏差を達成できるか？

主な発見

• 提案手法は6分割交差検証において、70.7%のDiceスコア（標準偏差13.0%）を達成し、MALFベースライン（52.5% ± 20.8%）を著しく上回った。
• 平均計算時間を1ケースあたり6〜8分にまで短縮し、従来手法が1ケースあたり約10時間を要するのに対し、顕著な改善が得られた。
• 深層CNNを用いたパッチラベリングにより、性能指標の標準偏差が低く、数値的安定性に優れた信頼性の高い信頼度スコアが得られた。
• 段階的スーパープixelsフレームワークはスケール間での情報伝達を効果的に行い、局所的テクスチャ特徴とグローバル文脈特徴を統合することで、セグメンテーション精度が向上した。
• スーパープixels分解と二段階パッチラベリング（ランダムフォレストの次にCNN）の組み合わせにより、特異性が向上し、誤検出（フォールスポジティブ）が低減した。
• 80例の手動セグメンテーション済みCTボリュームからなるデータセットにおいて、多様な患者の解剖学的特徴に対しても高い性能を示し、頑健性が裏付けられた。