[論文レビュー] A CADe System for Gliomas in Brain MRI using Convolutional Neural Networks

Subhashis Banerjee, Sushmita Mitra+2 more|arXiv (Cornell University)|Jun 20, 2018

Brain Tumor Detection and Classification参考文献 42被引用数 9

ひとこと要約

本論文は、多対照脳MRIにおける高悪性度グリオーマの自動検出および局在化を目的とした、畳み込みニューラルネットワーク（CNN）を用いた二段階型CADeシステムを提案する。分類用CNN（c-cnn）を用いて異常スライスを特定し、検出用CNN（d-cnn）を用いて腫瘍のバウンディングボックスを生成することで、その後の腫瘍セグメンテーションの精度を著しく向上させ、BRATS 2015データセットにおいてDSC 0.8631、MAE 3.12を達成した。

ABSTRACT

Inspired by the success of Convolutional Neural Networks (CNN), we develop a novel Computer Aided Detection (CADe) system using CNN for Glioblastoma Multiforme (GBM) detection and segmentation from multi channel MRI data. A two-stage approach first identifies the presence of GBM. This is followed by a GBM localization in each "abnormal" MR slice. As part of the CADe system, two CNN architectures viz. Classification CNN (C-CNN) and Detection CNN (D-CNN) are employed. The CADe system considers MRI data consisting of four sequences ($T_1$, $T_{1c},$ $T_2$, and $T_{2FLAIR}$) as input, and automatically generates the bounding boxes encompassing the tumor regions in each slice which is deemed abnormal. Experimental results demonstrate that the proposed CADe system, when used as a preliminary step before segmentation, can allow improved delineation of tumor region while reducing false positives arising in normal areas of the brain. The GrowCut method, employed for tumor segmentation, typically requires a foreground and background seed region for initialization. Here the algorithm is initialized with seeds automatically generated from the output of the proposed CADe system, thereby resulting in improved performance as compared to that using random seeds.

研究の動機と目的

• 脳MRIにおける高悪性度グリオーマの自動化されたコンピュータ支援検出（CADe）システムの開発を目的とし、放射線科医の負担を軽減するとともに診断の一貫性を向上させること。
• 手動による腫瘍セグメンテーションの課題、特に観察者間および観察者内ばらつき、および高コストな時間消費を解決すること。
• CNNが生成するバウンディングボックスを用いて、GrowCutセグメンテーションアルゴリズムの初期化に情報に基づいたシードを提供することで、腫瘍の輪郭指定の正確性を向上させること。
• CNNのアーキテクチャの変種が、グリオーマ検出における検出および局在化性能に与える影響を評価すること。

提案手法

• 本システムは二段階アプローチを採用する：まず、分類用CNN（c-cnn）が、特定のMRIスライスにグリオーマが存在するかどうかを判断する。
• 次に、検出用CNN（d-cnn）が、各スライス内の異常領域の周囲にバウンディングボックスを生成することで腫瘍を局在化する。
• 両ネットワークの入力は、T1、T1c、T2、T2-FLAIRシーケンスからなる多対照MRIデータである。
• d-cnnモデルは領域提案機構を採用し、バウンディングボックスを予測する。性能評価には平均平均精度（mAP）、平均絶対誤差（MAE）、Dice類似係数（DSC）が用いられる。
• GrowCutセグメンテーションアルゴリズムは、d-cnnのバウンディングボックス出力から得られるシードで初期化され、ランダムなシード配置が置き換えられる。
• c-cnnおよびd-cnnの変種に対して、ハイパーパramータのアブレーションスタディが実施され、データ増強、カーネルサイズ、深さ、活性化関数（ReLU対LeakyReLU）が含まれる。

実験結果

リサーチクエスチョン

• RQ1 多対照脳MRIにおける高悪性度グリオーマを、二段階型CNNベースのCADeシステムが効果的に検出・局在化できるか？
• RQ2 CNNが生成するバウンディングボックスによる初期化は、ランダムなシード初期化と比較して、GrowCutセグメンテーションアルゴリズムの性能にどのように寄与するか？
• RQ3 カーネルサイズ、ネットワークの深さ、活性化関数といったアーキテクチャ選択が、d-cnnモデルの検出および局在化性能に与える影響は何か？
• RQ4 データ増強は、c-cnnおよびd-cnnモデルにおける汎化性能を向上させ、過学習を低減するか？

主な発見

• 提案されたCADeシステムは、BRATS 2015データセットにおいて、Dice類似係数（DSC）0.8631および平均絶対誤差（MAE）3.12を達成し、優れた局在化性能を示した。
• データ増強（E1）はc-cnnにおける汎化性能を顕著に向上させ、過学習を軽減し、検出精度、再現率、Fβスコアを向上させた。
• 大きなカーネルサイズ（最大9×9）およびネットワークの深さ（最大18層）は過学習を引き起こし、性能を低下させた。これは、アーキテクチャの複雑化に伴い利得が減少することを示している。
• ReLUと比較してLeakyReLUの使用（E4）は、より悪い汎化性能をもたらし、p値0.019がベースラインモデルとE4の間で統計的に有意であることを示した。
• ベースラインd-cnnモデルは、すべての変種よりも優れており、最も深いアーキテクチャ（E3）とのt検定でp値6.4×10⁻¹¹を示し、優れた汎化性能を確認した。
• 正確なシード領域を提供することで、本システムはセグメンテーションにおける誤検出（フォールス・ポジティブ）を効果的に低減し、GrowCutアルゴリズムの性能を向上させた。