[論文レビュー] A Transfer Learning Approach for Automated Segmentation of Prostate Whole Gland and Transition Zone in Diffusion Weighted MRI

Saman Motamed, Isha Gujrathi+4 more|arXiv (Cornell University)|Sep 20, 2019

Prostate Cancer Diagnosis and Treatment参考文献 43被引用数 11

ひとこと要約

本論文は、より大きなソースコhortからの事前学習特徴を活用して、小規模なターゲットコhortにおける拡散強調MRI（DW-MRI）の前立腺全 gland および遷移帯の自動セグメンテーションを向上させる、修正されたU-Netを用いた転移学習アプローチを提案する。わずか30例のファインチューニング対象ケースで、両構造の平均Diceスコアが0.80に達し、非転移学習手法（それぞれ0.65および0.51）を著しく上回った。

ABSTRACT

The segmentation of prostate whole gland and transition zone in Diffusion Weighted MRI (DWI) are the first step in designing computer-aided detection algorithms for prostate cancer. However, variations in MRI acquisition parameters and scanner manufacturing result in different appearances of prostate tissue in the images. Convolutional neural networks (CNNs) which have shown to be successful in various medical image analysis tasks including segmentation are typically sensitive to the variations in imaging parameters. This sensitivity leads to poor segmentation performance of CNNs trained on a source cohort and tested on a target cohort from a different scanner and hence, it limits the applicability of CNNs for cross-cohort training and testing. Contouring prostate whole gland and transition zone in DWI images are time-consuming and expensive. Thus, it is important to enable CNNs pretrained on images of source domain, to segment images of target domain with minimum requirement for manual segmentation of images from the target domain. In this work, we propose a transfer learning method based on a modified U-net architecture and loss function, for segmentation of prostate whole gland and transition zone in DWIs using a CNN pretrained on a source dataset and tested on the target dataset. We explore the effect of the size of subset of target dataset used for fine-tuning the pre-trained CNN on the overall segmentation accuracy. Our results show that with a fine-tuning data as few as 30 patients from the target domain, the proposed transfer learning-based algorithm can reach dice score coefficient of 0.80 for both prostate whole gland and transition zone segmentation. Using a fine-tuning data of 115 patients from the target domain, dice score coefficient of 0.85 and 0.84 are achieved for segmentation of whole gland and transition zone, respectively, in the target domain.

研究の動機と目的

• 異なるMRI撮影プロトコルおよびスキャナで適用された深層学習モデルの一般化性能が低いという課題に対処する。
• ドメイン特化の小規模データセットで深層ネットワークを訓練する際の制限を、より大きなソースコhortからの事前学習特徴を活用することで克服する。
• 撮影パrameterの変動に敏感な拡散強調MRI（DW-MRI）における全 gland（WG）および遷移帯（TZ）のセグメンテーション精度を向上させる。
• 臨床医が前立腺セグメンテーションにおける有効な転移学習を実施するための最小ラベル付きケース数を示すデータ効率的なガイドラインを提供する。
• 分類の不均衡に敏感でないよう修正されたDice損失関数を開発し、別個の前立腺検出ネットワークを必要としないようにする。

提案手法

• より大きなソースコhortからの転移学習を用いて、ラベル付きターゲットドメインDW-MRIスキャンの小規模サブセット上で事前学習済みU-Netモデルをファインチューニングする。
• クラス不均衡への感受性を低くし、低データ設定での最適化を改善するため、修正されたDice損失関数を適用する。
• スイープ接続を備えたU-Netアーキテクチャを用い、空間分解能を保持し、多スケール特徴を捉える。
• ImageNet事前学習済みまたはソースコhort学習済みエンコーダ重みから開始し、ラベル付き画像のサブセットを用いてターゲットドメインでエンドツーエンドにモデルを訓練する。
• 標準指標（Dice類似係数（DSC））を用いて性能を評価し、異なるファインチューニングデータセットサイズにおけるアブレーションスタディを実施する。
• ターゲットドメインにのみ学習させたベースラインモデルと比較して、転移学習の性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 より大きなソースコhortからの転移学習が、異なるMRI撮影パラメータを持つ小規模なターゲットコホートにおいて、顕著にセグメンテーション精度を向上させることができるか？
• RQ2 転移学習を用いて臨床的に許容可能なセグメンテーション性能を達成するための最小ラベル付きターゲットドメインケース数は何か？
• RQ3 提案された修正されたDice損失関数は、低データ環境下での前立腺セグメンテーションにおいて、標準Dice損失関数と比較してどのように優れているか？
• RQ4 転移学習により、セグメンテーションパイプラインにおける別個の前立腺検出ステップの必要性が排除されるか？
• RQ5 ターゲットドメインにおけるファインチューニングデータセットサイズの増加に伴い、モデル性能はどのように変化するか？

主な発見

• ターゲットドメインからわずか30例のファインチューニングケースを用いた場合、転移学習モデルは全 gland および遷移帯セグメンテーションの両方で平均Dice類似係数（DSC）0.80を達成した。非転移学習の場合とは対照的に、それぞれ0.65および0.51であった。
• 115例のラベル付きターゲットケースを用いた場合、モデルは全 gland で平均DSC 0.85、遷移帯で0.84を達成し、非転移学習ベースライン（0.71 DSC）を著しく上回った。
• 修正されたDice損失関数は低データ環境下でのセグメンテーション性能を向上させ、別個の前立腺検出ネットワークの必要性を排除した。
• 転移学習により、異なるMRIスキャナおよび撮影プロトコル間でも安定したセグメンテーションが可能になり、画像パラメータの変動に対する感受性が低下した。
• 結果から、最小限のラベル付け作業で高精度なセグメンテーションが可能であることが示され、臨床的ラベル付けの実用的ガイドラインが得られた。
• 本研究は、より大きなソースコhortからの事前学習特徴を活用することは、DW-MRIにおけるコホート間前立腺セグメンテーションに非常に効果的であることを確認した。