[論文レビュー] A Multiscale Patch Based Convolutional Network for Brain Tumor Segmentation

Jean Stawiaski|arXiv (Cornell University)|Oct 6, 2017

Brain Tumor Detection and Classification参考文献 12被引用数 6

ひとこと要約

本稿では、3次元マルチコントラストMR画像における脳腫瘍セグメンテーションのため、残差接続とディープスーパービジョンを備えたマルチスケールパッチベースの畳み込みニューラルネットワークを提案する。本手法は、正解スムージングとデータオーグメンテーションによる処理のおかげで、滑らかで一貫性のあるセグメンテーションを実現し、BRATS 2017チャレンジにおいて、強化腫瘍で3.63mm、全腫瘍で4.10mm、腫瘍コアで6.81mmの95%ハウスドルフ距離と、それぞれ0.755、0.900、0.782のDiceスコアを達成した。

ABSTRACT

This article presents a multiscale patch based convolutional neural network for the automatic segmentation of brain tumors in multi-modality 3D MR images. We use multiscale deep supervision and inputs to train a convolutional network. We evaluate the effectiveness of the proposed approach on the BRATS 2017 segmentation challenge where we obtained dice scores of 0.755, 0.900, 0.782 and 95% Hausdorff distance of 3.63mm, 4.10mm, and 6.81mm for enhanced tumor core, whole tumor and tumor core respectively.

研究の動機と目的

• マルチコントラスト3次元MR画像における脳腫瘍の自動セグメンテーションのための効率的で正確なディープラーニング手法の開発。
• 腫瘍の多様性、画像の不均一性、部分体積効果といった医療画像セグメンテーションの課題への対処。
• マルチスケールのディープスーパービジョンと残差接続を通じて、モデルの収束性と特徴学習の向上。
• 正解データの事前処理とノイズを含むデータオーグメンテーションにより、滑らかで解剖学的に整合性のあるセグメンテーションの生成。
• クラスの不均衡とノイズの多い正解アノテーションにもかかわらず、BRATS 2017チャレンジで頑健な性能を発揮すること。

提案手法

• ネットワークは、元の3次元MRボリュームから導出されたマルチスケール入力を用いて、64³ボクセルのパッチを処理する。
• 各畳み込みブロックに残差接続を採用することで、学習の安定化と勾配の流れの改善を図る。
• バッチ正規化は、5000サンプルの累積統計を用いて各畳み込み後に適用される。
• ダウンサンプリングはガウスフィルタを用いたデシメーションで、アップサンプリングには最近傍補間が用いられる。
• 各スケールで、背景クラスを除いた平均交差エントロピーとDice係数を組み合わせたスケール別損失関数を用い、ディープスーパービジョンを実現する。
• 正解セグメンテーションは、3次元の整合性を高め、ノイズを低減するためにガウスカーネルを用いて手動でスムージングされる。

実験結果

リサーチクエスチョン

• RQ1 残差接続とディープスーパービジョンを備えたマルチスケールパッチベースCNNは、3次元MR画像における脳腫瘍セグメンテーションで競争力のある性能を達成できるか？
• RQ2 ノイズの多い正解がある状況下で、複数スケールにわたるディープスーパービジョンは収束性とセグメンテーション精度をどのように向上させるか？
• RQ3 正解のスムージングとノイズを含むオーグメンテーションによって、予測された腫瘍境界のコンパクト性と一貫性はどの程度向上するか？
• RQ4 Diceスコアとハウスドルフ距離の観点から、本手法はBRATS 2017ベンチマークにおいて最先端の手法と比較してどのように評価されるか？
• RQ5 幾何学的精度指標（ハウスドルフ距離）において、相対的に単純なアーキテクチャが、より複雑なモデルを上回る性能を発揮できるか？

主な発見

• 本手法は、BRATS 2017の検証セットにおいて、強化腫瘍（ET）で0.755、全腫瘍（WT）で0.900、腫瘍コア（TC）で0.782のDiceスコアを達成した。
• 95%ハウスドルフ距離は、ETで3.63mm、WTで4.10mm、TCで6.81mmであり、高い幾何学的正確性を示した。
• 正解の事前処理とデータオーグメンテーションのおかげで、元のノイズの多い正解よりも滑らかでコンパクトなセグメンテーション結果が得られた。
• ノイズの多い正解がある中でも、ハウスドルフ距離指標において優れた性能を示し、いくつかのトップレベル手法を上回った。
• 非オーバーラップな64³パッチを用いて、1体積あたり約5秒の推論時間を達成した。
• やや低いDiceスコアであったが、特に腫瘍境界において、視覚的に整合性があり解剖学的に妥当なセグメンテーションが得られた。