[論文レビュー] A Deep Attentive Convolutional Neural Network for Automatic Cortical Plate Segmentation in Fetal MRI

Haoran Dou, Davood Karimi+8 more|arXiv (Cornell University)|Apr 27, 2020

Fetal and Pediatric Neurological Disorders参考文献 68被引用数 5

ひとこと要約

本論文では、胎児MRIにおける皮質板の自動セグメンテーションを目的として、新規の残差空間的アテンション機構とミックスカーネル畳み込みを備えた3次元完全畳み込みニューラルネットワークを提案する。本手法は、平均Diceスコア0.87、ハウスドルフ距離0.96 mm、対称的表面差分0.28 mmという最先端の性能を達成し、従来のディープラーニングおよびマルチアトラスセグメンテーション手法を著しく上回り、1スキャンあたり1分未塔の高速処理を実現した。

ABSTRACT

Fetal cortical plate segmentation is essential in quantitative analysis of fetal brain maturation and cortical folding. Manual segmentation of the cortical plate, or manual refinement of automatic segmentations is tedious and time-consuming. Automatic segmentation of the cortical plate, on the other hand, is challenged by the relatively low resolution of the reconstructed fetal brain MRI scans compared to the thin structure of the cortical plate, partial voluming, and the wide range of variations in the morphology of the cortical plate as the brain matures during gestation. To reduce the burden of manual refinement of segmentations, we have developed a new and powerful deep learning segmentation method. Our method exploits new deep attentive modules with mixed kernel convolutions within a fully convolutional neural network architecture that utilizes deep supervision and residual connections. We evaluated our method quantitatively based on several performance measures and expert evaluations. Results show that our method outperforms several state-of-the-art deep models for segmentation, as well as a state-of-the-art multi-atlas segmentation technique. We achieved average Dice similarity coefficient of 0.87, average Hausdorff distance of 0.96 mm, and average symmetric surface difference of 0.28 mm on reconstructed fetal brain MRI scans of fetuses scanned in the gestational age range of 16 to 39 weeks. With a computation time of less than 1 minute per fetal brain, our method can facilitate and accelerate large-scale studies on normal and altered fetal brain cortical maturation and folding.

研究の動機と目的

• 胎児MRIにおける皮質板のセグメンテーションが、脳の成熟度および皮質の折りたたみ様式を研究するために不可欠であるが、手作業によるセグメンテーションは時間のかかる課題であることを解決すること。
• 発達中の胎児脳に見られる低解像度、部分体積効果、形態的ばらつきの影響により、自動セグメンテーションに限界が生じる問題を克服すること。
• マルチスケール特徴量と文脈的情報を効果的に捉えることで、セグメンテーション精度を向上させるディープラーニングモデルの開発。
• マルチアトラスセグメンテーションは遅く、画像アーチファクトに敏感であるが、本手法は計算時間の短縮と耐障害性の向上を図ること。
• 迅速かつ高精度で自動化されたセグメンテーションを提供することで、正常および異常な胎児皮質発達のスケールアップされた定量的分析を可能にすること。

提案手法

• 本手法は、訓練の安定化と勾配の流れの改善を目的として、残差接続を備えた3次元完全畳み込みニューラルネットワークを採用する。
• 新規の残差空間的アテンションモジュールを導入し、複数の3次元畳み込みブロックを用い、混合カーネルサイズ（例：3×3×3、5×5×5）によりマルチスケールの文脈的特徴を学習する。
• アテンション機構は、空間的重要性重みを学習することで特徴マップを再調整し、薄い皮質板のような関連構造を強化する。
• 勾配のバックプロパゲーションと特徴量学習の向上を目的として、ネットワークの複数段階に深層監督を適用する。
• GPUメモリ制限を考慮し、約50×50×50 mm³をカバーする64×64×64の3次元MRIパッチ上で、エンドツーエンドにモデルを学習する。
• セグメンテーション性能の最適化を目的として、交差エントロピー損失とDice損失の組み合わせを用いてモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 混合カーネル畳み込みを備えた深層アテンション3次元CNNは、胎児MRIにおける皮質板セグメンテーションにおいて、既存の最先端のディープラーニングモデルを上回ることができるか？
• RQ2 提案された残差空間的アテンション機構は、標準的な畳み込み層と比較して、セグメンテーション精度をどのように向上させるか？
• RQ3 本モデルは、NiftyMIC や Kainz et al. のような異なるMRI再構成アルゴリズムに対しても、どの程度一般化可能か？
• RQ4 本手法の推論速度はマルチアトラスセグメンテーションと比較してどうか？また、大規模な研究に適しているか？
• RQ5 胎児MRIに一般的に見られる部分体積効果や低解像度アーチファクトの影響下でも、本モデルは高い性能を維持できるか？

主な発見

• 提案手法は、16〜39週齢の妊娠期間において、平均Dice類似係数0.87を達成し、他のディープラーニングモデルおよびマルチアトラスセグメンテーション手法を著しく上回った。
• 平均ハウスドルフ距離は0.96 mmであり、薄い皮質板構造であっても境界の局所化に高い正確性を示した。
• 対称的表面差分は0.28 mmであり、幾何的ずれが最小限に抑えられ、表面レベルのセグメンテーションが正確であることを示した。
• 1回の胎児脳スキャンあたりの推論時間は1分未塔に留まり、大規模な研究における効率的処理を可能にした。
• NiftyMICで再構成された画像に対しても、トレーニング時の再構成ドメインに合わせたリサンプリング後でも、良好な一般化性能を示した。これは、再構成のばらつきに対して耐性があることを示した。
• 専門家による評価では、本手法のセグメンテーション結果は、マルチアトラス法の結果よりも正確で、手動での修正がはるかに少なかった。