[論文レビュー] A Strategy of MR Brain Tissue Images' Suggestive Annotation Based on Modified U-Net

Yang Deng, Yao Sun+4 more|arXiv (Cornell University)|Jul 19, 2018

Medical Image Segmentation Techniques参考文献 13被引用数 8

ひとこと要約

本論文は、MR脳組織（CSF、GM、WM）の自動セグメンテーションを目的とした修正U-Netモデルを提案し、モデルの不確実性に基づいてラベルなしデータの優先順位を付ける提案されたアノテーション戦略を導入した。本手法は、トレーニングデータの50％のみを用いてIBSR18データセットでSOTAのDSCスコア（CSF：0.8610、GM：0.9131、WM：0.9003）を達成し、1スキャンあたりの推論時間が50秒未塔であったため、臨床応用が可能である。

ABSTRACT

Accurate segmentation of MR brain tissue is a crucial step for diagnosis,surgical planning, and treatment of brain abnormalities. However,it is a time-consuming task to be performed by medical experts. So, automatic and reliable segmentation methods are required. How to choose appropriate training dataset from limited labeled dataset rather than the whole also has great significance in saving training time. In addition, medical data labeled is too rare and expensive to obtain extensively, so choosing appropriate unlabeled dataset instead of all the datasets to annotate, which can attain at least same performance, is also very meaningful. To solve the problem above, we design an automatic segmentation method based on U-shaped deep convolutional network and obtain excellent result with average DSC metric of 0.8610, 0.9131, 0.9003 for Cerebrospinal Fluid (CSF), Gray Matter (GM) and White Matter (WM) respectively on the well-known IBSR18 dataset. We use bootstrapping algorithm for selecting the most effective training data and get more state-of-the-art segmentation performance by using only 50% of training data. Moreover, we propose a strategy of MR brain tissue images' suggestive annotation for unlabeled medical data based on the modified U-net. The proposed method performs fast and can be used in clinical.

研究の動機と目的

• 臨床診断および治療計画支援を目的とした、正確かつ効率的な深層学習手法を、MR脳組織（CSF、GM、WM）の自動セグメンテーションに開発すること。
• モデルの不確実性を用いて、ラベリングに最も有益なラベルなしMR画像を特定することで、ラベリングの時間とコストを削減すること。
• ブートストラップ戦略を用いて最小限ながら効果的なトレーニングデータのサブセットを選択することで、セグメンテーション性能を向上させること。
• 高速な推論速度と高いセグメンテーション精度を備えた、臨床現場に導入可能なシステムを構築すること。
• 選択的ラベリングによる高不確実性ケースの処理が、フルデータセット学習と同等の性能を達成できることを実証すること。

提案手法

• 3D MRI脳組織セグメンテーションに、スキップ接続を備えた修正U-Netアーキテクチャを用い、空間分解能を保持するため、全結合層を含まない。
• 独自の損失関数を定義し、$ L(y,y^{ ext{'} ext{'}}) = 4 - \sum_{i=0}^{3} DSC(y_i, y_i^{ ext{'} ext{'}}) $ とし、DSCスコアの負の値を最小化することでセグメンテーションを最適化する。
• 提案アノテーション戦略は、モデルの不確実性（予測信頼度が低い）が高いラベルなし画像を特定し、優先的にラベリング対象とする。
• ブートストラップアルゴリズムは、モデルの予測に基づいて最も情報量の多いトレーニングサンプルを選択し、繰り返し予測を改善することで、少ないラベル付き例で性能向上を図る。
• ソフトマックス出力にargmaxを適用し、各ボクセルに予測確率が最も高いクラスを割り当て、しきい値最適化を回避する。
• 500エポックにわたり、1台のNVIDIA TitanX GPUでトレーニングを実施し、検証スコアの向上が30エポック続かない場合に早期停止を実行する。

実験結果

リサーチクエスチョン

• RQ1 修正U-Netは、トレーニングデータを削減しても、MR脳組織のセグメンテーションでSOTA性能を達成できるか？
• RQ2 どのラベルなしMR画像がラベリングに最も有益か？また、モデルの不確実性はその有益性を予測できるか？
• RQ3 モデル予測に基づく提案アノテーション戦略により、ラベリングコストを削減しながらも、セグメンテーション精度を維持または向上できるか？
• RQ4 ブートストラップ戦略を用いてトレーニングデータのサブセットを選択することで、フルデータセットを使用する場合よりも優れた性能が得られるか？
• RQ5 本手法は、推論速度と精度の両面を満たしているため、臨床現場に導入可能か？

主な発見

• 修正U-NetはIBSR18データセットで、CSFの平均DSCが0.8610、GMが0.9131、WMが0.9003を達成し、ベースライン手法を上回った。
• ブートストラップで選択されたトレーニングデータの50％（18例中9例）を用いても、高い性能を維持し、選択サブセットでの平均DSCは0.8619であった。
• 提案アノテーション戦略は、初期評価時に低いDSCスコアを示したケース（被験者6、7、9、15、16、17、18）を的確に同定し、最も情報量の多いラベルなしケースを特定できた。
• ブートストラップで選択されたトレーニングセット（被験者7、6、17、9）は、フルトレーニングセット（0.8511）よりも高い平均DSC（0.8619）を達成し、ラベリングの価値を実証した。
• 3D MRIボリューム（256×128×256）の推論時間は40～50秒であり、臨床応用に適していることが示された。
• モデルはバッチ正規化やCLAHEなどのデータ前処理に依存せず、DSCの直接最小化により損失関数を最適化した。