[論文レビュー] A Novel Mask R-CNN Model to Segment Heterogeneous Brain Tumors through Image Subtraction

Sanskriti Singh|arXiv (Cornell University)|Apr 4, 2022

Brain Tumor Detection and Classification被引用数 6

ひとこと要約

本論文では、MRIスキャンにおける異質な脳腫瘍のセグメンテーションを向上させるために、画像差分処理を組み込んだ新しいマスクR-CNNモデルを提案する。事前対照（T1）と対照強化後（T1gd）の画像を、ResNet-18バックボーン（RSNA肺炎検出データセットで事前学習済み）に供給する前に差分処理を施すことで、BraTS2020テストセットでDICE係数0.75を達成し、差分処理なしのベースライン（0.69）を上回った。

ABSTRACT

The segmentation of diseases is a popular topic explored by researchers in the field of machine learning. Brain tumors are extremely dangerous and require the utmost precision to segment for a successful surgery. Patients with tumors usually take 4 MRI scans, T1, T1gd, T2, and FLAIR, which are then sent to radiologists to segment and analyze for possible future surgery. To create a second segmentation, it would be beneficial to both radiologists and patients in being more confident in their conclusions. We propose using a method performed by radiologists called image segmentation and applying it to machine learning models to prove a better segmentation. Using Mask R-CNN, its ResNet backbone being pre-trained on the RSNA pneumonia detection challenge dataset, we can train a model on the Brats2020 Brain Tumor dataset. Center for Biomedical Image Computing & Analytics provides MRI data on patients with and without brain tumors and the corresponding segmentations. We can see how well the method of image subtraction works by comparing it to models without image subtraction through DICE coefficient (F1 score), recall, and precision on the untouched test set. Our model performed with a DICE coefficient of 0.75 in comparison to 0.69 without image subtraction. To further emphasize the usefulness of image subtraction, we compare our final model to current state-of-the-art models to segment tumors from MRI scans.

研究の動機と目的

• 深層学習を用いて、異質なMRIスキャンにおける脳腫瘍セグメンテーションの正確性を向上させること。
• 臨床現場におけるT1、T1gd、T2、FLAIRシーケンスにおける腫瘍の外観のばらつきという課題に対処すること。
• 前処理としての画像差分処理がセグメンテーション性能に与える影響を評価すること。
• 標準的な指標（DICE、精度、再現率）を用いて、提案モデルをベースラインおよび最先端手法と比較すること。

提案手法

• モデルは、特徴抽出のためRSNA肺炎検出データセットで事前学習済みのResNet-18バックボーンを備えたマスクR-CNNを採用する。
• T1とT1gd MRIシーケンス間の画像差分処理を施し、対照強化腫瘍領域を強調する。
• 差分処理を施した画像ペアをマスクR-CNNモデルの入力とし、脳腫瘍のインスタンスセグメンテーションを実行する。
• モデルは、マルチシーケンスMRIスキャンと専門家がアノテートしたセグメンテーションを含むBraTS2020データセットで訓練および評価される。
• 訓練プロセスでは、BraTS2020の検証およびテスト分割に対して転移学習とファインチューニングが活用される。
• 性能評価は、 untouched テストセットにおける標準指標（DICE係数、精度、再現率）を用いて実施される。

実験結果

リサーチクエスチョン

• RQ1 T1とT1gd MRIシーケンス間の画像差分処理は、マスクR-CNNフレームワークにおける腫瘍セグメンテーション性能を向上させるか？
• RQ2 画像差分処理なしのベースラインマスクR-CNNと比較して、提案モデルのDICEスコアおよびセグメンテーション指標はどのように異なるか？
• RQ3 画像差分処理と、事前学習モデルからの転移学習の組み合わせは、異質な脳腫瘍セグメンテーションにおける一般化性能を向上させるか？
• RQ4 提案手法は、BraTS2020ベンチマークにおいて最先端手法と比較してどのように性能を発揮するか？

主な発見

• 提案モデルはBraTS2020テストセットでDICE係数0.75を達成し、画像差分処理なしのベースラインモデル（0.69）と比較して顕著な向上を示した。
• モデルはベースラインと比較して高い精度と再現率を示し、腫瘍境界のより正確かつ包括的な検出を示した。
• 画像差分処理は腫瘍コントラストを効果的に向上させ、モデルが周囲組織と対照的に強化腫瘍領域をよりよく識別できるようにした。
• RSNA肺炎検出データセットからの転移学習の活用により、特徴学習とモデル収束が脳腫瘍セグメンテーションタスクで向上した。
• モデルはすべての評価指標でベースラインを上回り、画像差分処理の前処理ステップの有効性を裏付けた。
• 結果として、提案手法はBraTS2020の文脈において最先端のアプローチと同等の性能を発揮することが示された。