[論文レビュー] A deep learning-based method for prostate segmentation in T2-weighted magnetic resonance imaging

Davood Karimi, Golnoosh Samei+2 more|arXiv (Cornell University)|Jan 27, 2019

Advanced Neural Network Applications参考文献 44被引用数 6

ひとこと要約

本論文では、全身的畳み込みニューラルネットワーク（CNN）を用いて前立腺を局所化し、局所的CNNで境界を精緻化する二段階のディーブラーニング手法を提案する。形状ベースのデータ増強と二段階の推論戦略を組み合わせることで、PROMISE12データセットにおいて平均Diceスコア90.6 ± 2.2を達成し、先行手法を上回った。

ABSTRACT

We propose a novel automatic method for accurate segmentation of the prostate in T2-weighted magnetic resonance imaging (MRI). Our method is based on convolutional neural networks (CNNs). Because of the large variability in the shape, size, and appearance of the prostate and the scarcity of annotated training data, we suggest training two separate CNNs. A global CNN will determine a prostate bounding box, which is then resampled and sent to a local CNN for accurate delineation of the prostate boundary. This way, the local CNN can effectively learn to segment the fine details that distinguish the prostate from the surrounding tissue using the small amount of available training data. To fully exploit the training data, we synthesize additional data by deforming the training images and segmentations using a learned shape model. We apply the proposed method on the PROMISE12 challenge dataset and achieve state of the art results. Our proposed method generates accurate, smooth, and artifact-free segmentations. On the test images, we achieve an average Dice score of 90.6 with a small standard deviation of 2.2, which is superior to all previous methods. Our two-step segmentation approach and data augmentation strategy may be highly effective in segmentation of other organs from small amounts of annotated medical images.

研究の動機と目的

• 高用量の解剖学的可変性と限られたアノテート済みデータの影響により、T2強調MRIにおける正確な自動前立腺セグメンテーションを困難とする課題に対処すること。
• 局所化と微細な輪郭定義に分割する二段階のCNNフレームワークを導入することで、小規模な医療画像データセットにおけるセグメンテーション性能を向上させること。
• 学習済み形状モデルを用いた形状ベースのデータ増強により、トレーニングデータの効率を高めること。
• 後処理を伴わず、既存のアトラスベース、可変モデル、グラフカット手法を上回る優れたセグメンテーションの正確性と滑らかさを達成すること。

提案手法

• グローバルCNNを訓練し、前立腺を囲むバウンディングボックスを予測する。このバウンディングボックスを用いて、入力画像を切り取り、標準化されたサイズに再サンプリングする。
• 再サンプリングされたボリュームを局所的CNNに供給し、高解像度で正確な前立腺境界のセグメンテーションを実行する。
• 学習済み形状モデルを用いて、元の画像とセグメンテーションを変形することで追加のトレーニングデータを合成し、データの多様性と耐障害性を向上させる。
• 局所的CNNの出力を、確率マップのハードスティンギングに起因する小さなアーチファクトを除去するためのモルフォロジカルオープニング操作で後処理する。
• 局所的CNNに10–20%のドロップアウトを適用し、過学習を防ぎ、一般化性能を向上させる。
• ディープCNNの階層的特徴抽出機能を活用し、局所的なテクスチャとグローバルな解剖学的文脈の両方を捉える。

実験結果

リサーチクエスチョン

• RQ1 限られたトレーニングデータにおいて、二段階のCNNアーキテクチャがT2強調MRIにおける前立腺セグメンテーションの正確性を向上させられるか？
• RQ2 小規模な医療画像セグメンテーションタスクにおいて、形状ベースのデータ増強は性能向上にどの程度効果的か？
• RQ3 グローバルな局所化とローカルな境界精緻化を分離することで、小規模データセットにおけるエンドツーエンド学習よりも優れたセグメンテーションが得られるか？
• RQ4 モルフォロジカル操作による後処理が、CNN生成セグメンテーションの滑らかさと正確性をどの程度向上させるか？

主な発見

• 提案手法はPROMISE12テストセットにおいて平均Diceスコア90.6 ± 2.2を達成し、先行する最先端手法を著しく上回った。
• データ増強なしでは、Diceスコアが86.1 ± 6.6に低下し、形状ベースの増強が極めて重要であることが示された。
• 形状モデルを用いたデータ増強は、ランダムな変形フィールドよりも高いDiceスコア（89.3 ± 0.040）を達成し、その有効性が確認された。
• 二段階アプローチにより、局所的CNNが一貫したサイズと解像度を持つ適切に中心揃えられた領域に集中でき、優れた正確性を達成した。
• モルフォロジカルオープニング操作により、平均Dice係数が向上し、ハードスティンギング出力からの小さな不自然な領域を除去する価値があることが示された。
• 本手法は、オープニング操作を除く追加の後処理を必要とせず、滑らかでアーチファクトのないセグメンテーションを生成した。