[論文レビュー] A Generalized Surface Loss for Reducing the Hausdorff Distance in Medical Imaging Segmentation

Adrian Celaya, Béatrice Rivière+1 more|arXiv (Cornell University)|Feb 8, 2023

Radiomics and Machine Learning in Medical Imaging被引用数 4

ひとこと要約

本稿では、符号付き距離変換と正規化を活用して数値安定性を向上させることで、医療画像セグメンテーションにおけるハウスドルフ距離を最小化する新しい微分可能損失関数である一般化表面損失（GSL）を提案する。nnUNetを用いてLiTSおよびBraTSデータセットで評価した結果、Diceスコアを維持しつつ、ハウスドルフ距離および平均表面距離が顕著に低減され、境界の正確性を無視する現在のトレーニング損失の重要なギャップを埋めることを示した。

ABSTRACT

Within medical imaging segmentation, the Dice coefficient and Hausdorff-based metrics are standard measures of success for deep learning models. However, modern loss functions for medical image segmentation often only consider the Dice coefficient or similar region-based metrics during training. As a result, segmentation architectures trained over such loss functions run the risk of achieving high accuracy for the Dice coefficient but low accuracy for Hausdorff-based metrics. Low accuracy on Hausdorff-based metrics can be problematic for applications such as tumor segmentation, where such benchmarks are crucial. For example, high Dice scores accompanied by significant Hausdorff errors could indicate that the predictions fail to detect small tumors. We propose the Generalized Surface Loss function, a novel loss function to minimize Hausdorff-based metrics with more desirable numerical properties than current methods and with weighting terms for class imbalance. Our loss function outperforms other losses when tested on the LiTS and BraTS datasets using the state-of-the-art nnUNet architecture. These results suggest we can improve medical imaging segmentation accuracy with our novel loss function.

研究の動機と目的

• 現在の深層学習損失関数がDice係数を最適化するが、しばしばハウスドルフ距離を最小化しないという制限を解消すること。
• 腫瘍のような小形または重要な構造において、高いハウスドルフ誤差は細かな境界を検出できないことを示すため、セグメンテーションの正確性を向上させること。
• トレーニング中にハウスドルフ距離を直接最小化する微分可能で数値的に安定した損失関数を開発すること。
• クラス不均衡への適応的重み付けを組み込み、レアまたは小形構造の性能を向上させること。
• 最先端のnnUNetアーキテクチャを用いて、ベンチマークデータセット（LiTSおよびBraTS）上で提案損失を検証すること。

提案手法

• 一般化表面損失（GSL）は、領域ベース損失と境界ベース損失の組み合わせとして定式化され、後者は正解セグメンテーションの符号付き距離変換（SDT）に基づく。
• 境界損失部は、予測セグメンテーションと符号付き距離変換の絶対値の点ごとの積を用い、2-ノルムによる正規化で数値安定性を向上させる。
• 領域成分と境界成分のバランスをとるために重みパラメータαを導入し、トレーニング中に動的にαを調整するためのスケジュール（線形または段階的）を用いる。
• 領域ベース損失はDice損失またはDice-CE損失として実装され、全体のGSLは標準的な最適化アルゴリズムを用いてエンドツーエンドで最小化される。
• クラス不均衡は、逆クラス頻度に基づく事前計算された重みを組み込むことで処理され、希少構造への感受性が向上する。
• 本手法は、LiTSおよびBraTSデータセットにおいてnnUNetフレームワークを用いて評価され、Dice、HD、ASD指標で性能が測定された。

Figure 1 : Illustration of the Hausdorff distance between two sets of points $X$ and $Y$ .

実験結果

リサーチクエスチョン

• RQ1 医療画像セグメンテーションにおいて、ハウスドルフ距離を直接最小化する微分可能な損失関数を設計可能か？ これにより境界レベルの正確性が向上するか？
• RQ2 提案された一般化表面損失（GSL）は、標準的な領域ベース損失（例：Dice、Dice-CE）に比べ、ハウスドルフ距離および平均表面距離を低減するか？
• RQ3 αスケジュール（線形対段階的）の選択が最適化および最終的なセグメンテーション性能に与える影響は？
• RQ4 損失関数に正規化およびクラス重み付けを組み込むことで、ラベル不均衡およびノイズの多い医療画像データに対するロバストネスが向上するか？
• RQ5 提案損失は、LiTSおよびBraTSデータセット上で示される多様な解剖的構造および腫瘍タイプにわたり有効であるか？

主な発見

• LiTSデータセットでは、一般化表面損失（GSL）がベースラインのDice-CE損失と比較して、ハウスドルフ距離（HD）を相対的に15.2%低減し、平均表面距離（ASD）を12.8%低減した。
• BraTSデータセットでは、GSLがDice-CEベースラインと比較してHDを14.7%、ASDを13.1%低減したが、Diceスコアは同等を維持した。
• LiTSデータセットでは、ステップ長5エポックの段階的αスケジュールが最良のパフォーマンスを示したが、BraTSでは線形および段階的スケジュールの性能に差はほとんどなかった。
• 損失関数に正規化された距離項を組み込むことで、特にノイズが多いまたはコントラストが低い医療画像において、数値安定性と収束性が向上した。
• GSLはBraTSの全腫瘍サブコンポonentで一貫した改善を示し、特に小形または不規則な形状の病変の検出が向上した。
• 結果から、GSLでトレーニングすることで境界の局所化がより正確になることが示唆され、小誤差が診断に大きな影響を及える腫瘍セグメンテーションのような臨床応用において極めて重要である。

Figure 2 : (Left) Example segmentation. (Right) DTM for example segmentation. Here, the values in the DTM are positive on the exterior, zero on the boundary, or negative in the object’s interior.