[論文レビュー] A Cascaded Residual UNET for Fully Automated Segmentation of Prostate and Peripheral Zone in T2-weighted 3D Fast Spin Echo Images

Lavanya Umapathy, Wyatt Unger+5 more|arXiv (Cornell University)|Dec 25, 2020

Advanced Neural Network Applications参考文献 8被引用数 4

ひとこと要約

本論文では、T2強調3次元快速スピンエコーMRIスキャンにおける前立腺腺腫と周囲ゾーンの完全自動分類を目的として、段階的残差U-Net（Cascaded MRes-UNET）を提案する。このアーキテクチャは、残差ブロックと2段階の段階的設計を用い、境界の局所化を向上させ、放射線科医のアノテーションと比較してDiceスコアが0.91±0.02に達し、前立腺全体の体積推定誤差が5%未満となる高い性能を達成した。

ABSTRACT

Multi-parametric MR images have been shown to be effective in the non-invasive diagnosis of prostate cancer. Automated segmentation of the prostate eliminates the need for manual annotation by a radiologist which is time consuming. This improves efficiency in the extraction of imaging features for the characterization of prostate tissues. In this work, we propose a fully automated cascaded deep learning architecture with residual blocks, Cascaded MRes-UNET, for segmentation of the prostate gland and the peripheral zone in one pass through the network. The network yields high Dice scores ($0.91\pm.02$), precision ($0.91\pm.04$), and recall scores ($0.92\pm.03$) in prostate segmentation compared to manual annotations by an experienced radiologist. The average difference in total prostate volume estimation is less than 5%.

研究の動機と目的

• 放射線科医によるT2強調3次元MRIにおける前立腺および周囲ゾーンの手作業分類に要する時間を削減すること。
• 1回の推論プロセスで前立腺腺腫およびその周囲ゾーンを高精度に分類できる完全自動のディーブラーニングフレームワークを開発すること。
• 残差学習と段階的ネットワークアーキテクチャを用いて、特に組織境界における分類精度を向上させること。
• 前立腺体積推定の高精度な一貫性を達成し、手作業アノテーションからのずれを最小限に抑えること。

提案手法

• 段階的U-Netアーキテクチャを採用し、第1段階で前立腺腺腫を予測し、第2段階で周囲ゾーンの分類を精緻化する。
• エンコーダーおよびデコーダー経路に残差ブロックを統合し、トレーニングの安定性と勾配の流れを向上させる。
• クラスの不均衡に対処するため、ファーザル重みを付加したバイナリクロスエントロピー損失を用いて、エンドツーエンドでネットワークをトレーニングする。
• 入力は3次元T2強調快速スピンエコーMRIデータであり、モデルは前立腺および周囲ゾーンのボクセル単位の分類マスクを予測する。
• 2段階の推論プロセスにより、第2段階は第1段階の特徴を活用して、周囲ゾーンの微細な境界に集中できる。
• 一般化性能を向上させるために、回転、反転、強度ジッタリングなどのデータ増強技術が適用された。

実験結果

リサーチクエスチョン

• RQ1 段階的ディーブラーニングアーキテクチャは、T2強調3次元MRIにおける前立腺腺腫および周囲ゾーンの高精度分類を達成できるか？
• RQ2 残差ブロックの統合は、前立腺MRI分類における分類性能とトレーニングの安定性を向上させるか？
• RQ3 単一段階のU-Netと比較して、段階的設計は境界の局所化をどの程度向上させるか？
• RQ4 自動体積推定は、手作業による放射線科医の測定と比較してどの程度正確か？

主な発見

• 提案されたCascaded MRes-UNETは、前立腺分類において0.91±0.02のDiceスコアを達成し、手作業アノテーションと強い重複を示した。
• 前立腺分類における正確性（precision）と再現率（recall）は、それぞれ0.91±0.04および0.92±0.03であり、分類の信頼性が非常に高いことを示した。
• 自動分類と手作業分類との間の前立腺全体の体積推定差は平均で5%未満であった。
• 段階的アーキテクチャは、特に周囲ゾーンの境界の明確化を向上させ、ベースラインのU-Netモデルと比較して優れた性能を示した。
• 残差ブロックの使用は、深層部における安定したトレーニングとより良い特徴学習に寄与した。