[論文レビュー] A Multi-task Contextual Atrous Residual Network for Brain Tumor Detection & Segmentation

Ngan Le, Kashu Yamazaki+3 more|arXiv (Cornell University)|Dec 3, 2020

Advanced Neural Network Applications参考文献 33被引用数 4

ひとこと要約

本論文は、脳腫瘍のMRIスキャンにおける同時検出とセグメンテーションを実現するマルチタスク3次元コンテキストアトラウス残差ネットワークを提案する。コンテキスト検出ヘッドを用いて腫瘍関連領域に注目し、3次元アトラウス残差U-Netを用いて高精度なセグメンテーションを実現するキャスケード構造を採用している。本手法は、BRATS 2015、2017、2018のデータセットにおいて最先端の性能を達成し、BRATS 2018で全体腫瘍（WT）90.4%、腫瘍コア（TC）82.3%、強化腫瘍（ET）72.4%のDiceスコアを記録した。クラスの不均衡を効果的に解消し、拡張畳み込みとスキップ接続による特徴抽出の向上により、既存手法を上回った。

ABSTRACT

In recent years, deep neural networks have achieved state-of-the-art performance in a variety of recognition and segmentation tasks in medical imaging including brain tumor segmentation. We investigate that segmenting a brain tumor is facing to the imbalanced data problem where the number of pixels belonging to the background class (non tumor pixel) is much larger than the number of pixels belonging to the foreground class (tumor pixel). To address this problem, we propose a multi-task network which is formed as a cascaded structure. Our model consists of two targets, i.e., (i) effectively differentiate the brain tumor regions and (ii) estimate the brain tumor mask. The first objective is performed by our proposed contextual brain tumor detection network, which plays a role of an attention gate and focuses on the region around brain tumor only while ignoring the far neighbor background which is less correlated to the tumor. The second objective is built upon a 3D atrous residual network and under an encode-decode network in order to effectively segment both large and small objects (brain tumor). Our 3D atrous residual network is designed with a skip connection to enables the gradient from the deep layers to be directly propagated to shallow layers, thus, features of different depths are preserved and used for refining each other. In order to incorporate larger contextual information from volume MRI data, our network utilizes the 3D atrous convolution with various kernel sizes, which enlarges the receptive field of filters. Our proposed network has been evaluated on various datasets including BRATS2015, BRATS2017 and BRATS2018 datasets with both validation set and testing set. Our performance has been benchmarked by both region-based metrics and surface-based metrics. We also have conducted comparisons against state-of-the-art approaches.

研究の動機と目的

• 腫瘍ピxlsが背景ピxlsに比べて著しく少ない、脳腫瘍セグメンテーションにおける深刻なクラス不均衡を解消すること。
• 不要な背景領域の処理を回避するコンテキスト検出ネットワークを用いて、腫瘍関連領域に計算を集中させることで、セグメンテーション精度を向上させること。
• 3次元残差ネットワークにおけるスキップ接続を活用し、深さにわたる特徴の保持と精錬を実現することで、勾配消失問題を緩和すること。
• 3次元アトラウス畳み込みを用いて、パrameter数の増加を伴わずに、複数のカーネルサイズを用いて受容 field を拡大し、3次元MRIボリュームからの広範なコンテキスト情報を統合すること。
• BRATS 2015、2017、2018のベンチマークデータセットにおいて、面積ベース（Dice）および表面ベース（Hausdorff、ASSD）の指標を用いて、最先端の性能を達成すること。

提案手法

• ネットワークはキャスケード型マルチタスク構造を採用：最初のタスクは、真の腫瘍インスタンスの周囲の領域のみを処理するコンテキスト脳腫瘍検出ネットワークであり、不要な背景を抑制するアテンションゲートとして機能する。
• 2番目のタスクでは、複数のカーネルサイズを用いた拡張畳み込みを活用する3次元アトラウス残差U-Netを用いてセグメンテーションを実行し、長距離のコンテキストを捉えつつ高解像度特徴を維持する。
• 3次元残差ブロックにスキップ接続を統合し、深層から浅層への直接的な勾配伝播を可能にすることで、階層的特徴表現を保持する。
• すべてのエンコーダーおよびデコーダーブロックに3次元アトラウス畳み込みを適用し、受容 field を拡大し、ボリュメトリックなMRIデータからのコンテキスト情報を統合する。
• 検出とセグメンテーションの両目的を同時に最適化する統合損失関数を用いて、エンドツーエンドでモデルを訓練する。
• 領域候補は、真の腫瘍インスタンスの周囲のコンテキスト領域からのみ生成されるため、全画像処理に比べて計算コストを低減し、候補の質を向上させる。

実験結果

リサーチクエスチョン

• RQ1 専用のコンテキスト検出ヘッドを備えたマルチタスクネットワークは、不要な背景領域の計算を削減することで、セグメンテーション性能を向上させることができるか？
• RQ2 複数のカーネルサイズを用いた3次元アトラウス畳み込みは、ボリュメトリックなMRIデータにおける長距離コンテキストの捉え方に対して、モデルの性能にどのように影響を与えるか？
• RQ3 3次元残差ネットワークにおけるスキップ接続は、医療画像セグメンテーションのための深層アーキテクチャの学習において、勾配消失問題をどの程度緩和できるか？
• RQ4 本手法は、標準的な脳腫瘍セグメンテーションベンチマーク（BRATS 2015、2017、2018）において、Diceスコアおよび表面ベースの指標の両面で最先端のモデルを上回る性能を示すか？
• RQ5 コンテキスト検出ネットワークの貢献度は、アブレーションスタディによってどの程度顕著であるか？

主な発見

• BRATS 2018のテストセットにおいて、本手法は全体腫瘍（WT）で90.4%、腫瘍コア（TC）で82.3%、強化腫瘍（ET）で72.4%のDiceスコアを達成し、最先端の手法を上回った。
• BRATS 2017のオンラインテストセットでは、DiceスコアがWT 90.0%、TC 85.0%、ET 63.0%を記録し、異なるデータセット間でも優れた汎化性能を示した。
• BRATS 2015のオンラインテストセットでは、DiceスコアがWT 89.0%、TC 85.0%、ET 63.0%を達成し、トップモデルと競合する性能を示した。
• BRATS 2018のバリデーションセットにおけるアブレーションスタディでは、コンテキスト検出ネットワークを含めることで、DiceスコアがWT 90.25%から90.95%、TC 85.78%から88.88%、ET 79.59%から81.40%に向上した。これにより、その貢献度が確認された。
• BRATS 2018において、WTのHausdorff距離は3.73、ETは2.70であった。最大表面距離が小さく、境界の正確性が高いことを示している。
• 平均対称表面距離（ASSD）は、WTで3.73、ETで2.70であり、予測された境界と正解境界との間で高精度な一致が達成されたことを示している。