[論文レビュー] Accurate Automatic Segmentation of Amygdala Subnuclei and Modeling of Uncertainty via Bayesian Fully Convolutional Neural Network

Yilin Liu, Gengyan Zhao+6 more|arXiv (Cornell University)|Feb 19, 2019

Nuclear Physics and Applications参考文献 47被引用数 5

ひとこと要約

本稿では、拡大畳み込みと拡大された受容 field を用いて境界の局所化を向上させることで、正確な自動的アメイグダラおよびそのサブヌクレウスのセグメンテーションを可能にする、拡張された二重パス構造を有する3次元ベイジアン完全畳み込みニューラルネットワーク（FCN）を提案する。この手法は、大きな受容 field と拡張畳み込みを活用し、境界の局所化を改善する。Dice スコアと対称的表面距離の両面で最先端の性能を達成するとともに、予測の不確実性をモデル化し、特異なデータパターンを検出可能である。

ABSTRACT

Recent advances in deep learning have improved the segmentation accuracy of subcortical brain structures, which would be useful in neuroimaging studies of many neurological disorders. However, most of the previous deep learning work does not investigate the specific difficulties that exist in segmenting extremely small but important brain regions such as the amygdala and its subregions. To tackle this challenging task, a novel 3D Bayesian fully convolutional neural network was developed to apply a dilated dualpathway approach that retains fine details and utilizes both local and more global contextual information to automatically segment the amygdala and its subregions at high precision. The proposed method provides insights on network design and sampling strategy that target segmentations of small 3D structures. In particular, this study confirms that a large context, enabled by a large field of view, is beneficial for segmenting small objects; furthermore, precise contextual information enabled by dilated convolutions allows for better boundary localization, which is critical for examining the morphology of the structure. In addition, it is demonstrated that the uncertainty information estimated from our network may be leveraged to identify atypicality in data. Our method was compared with two state-of-the-art deep learning models and a traditional multi-atlas approach, and exhibited excellent performance as measured both by Dice overlap as well as average symmetric surface distance. To the best of our knowledge, this work is the first deep learning-based approach that targets the subregions of the amygdala.

研究の動機と目的

• 3次元MRIスキャンにおける非常に小さく、形態的に複雑なアメイグダラサブヌクレウスのセグメンテーションの課題に対処すること。
• 文脈的情報と拡張畳み込みを用いて、小さな脳構造における境界の局所化を改善すること。
• 予測の不確実性を定量化する深層学習フレームワークを構築し、特異な神経解剖学的パターンを同定すること。
• 従来の深層学習およびマルチアトラス手法と比較して、サブコルティカル構造のセグメンテーションにおいて、提案アーキテクチャの優位性を示すこと。
• 従来の深層学習では達成されていなかった、高精度なアメイグダラサブリージョンの完全自動的セグメンテーションを提供すること。

提案手法

• 局所的およびグローバルな文脈的特徴を捉えるために、拡張された二重パス構造を有する3次元ベイジアン完全畳み込みニューラルネットワーク（FCN）を設計する。
• 解像度を維持したまま感受野を拡大するために、拡張畳み込みが採用される。これにより、小さな構造物に必要な微細な空間的詳細が保持される。
• 広大な視野を活用して、広範な文脈的情報を統合することで、極めて小さなサブヌクレウスのセグメンテーション精度が向上する。
• 予測の不確実性を推定するために、ネットワークの重みに対するベイジアン推論が適用され、不確実性に配慮したセグメンテーションが可能になる。
• 小さな複雑な構造物（例：アメイグダラサブヌクレウス）において一般化性と耐性を向上させるために、サンプリング戦略が最適化される。
• モデルは、専門家がアノテートしたサブヌクレウスラベルを用いて、3次元T1強調MRIスキャン上でエンドツーエンドで訓練される。

実験結果

リサーチクエスチョン

• RQ1 既存の深層学習およびマルチアトラス手法と比較して、拡張畳み込みを用いた3次元ベイジアンFCNは、小さなアメイグダラサブヌクレウスのセグメンテーション精度を顕著に向上させることができるか？
• RQ2 拡張畳み込みによる大きな感受野の統合は、サブコルティカル構造における境界の局所化を改善するか？
• RQ3 ベイジアンネットワークから得られる不確実性推定値は、特異的または曖昧な神経解剖学的症例を効果的に同定できるか？
• RQ4 二重パス構造は、小さな3次元構造物において、局所的詳細とグローバルな文脈のバランスを効果的にとらえることができるか？
• RQ5 提案手法は、手動による介入なしに、信頼性の高い自動セグメンテーションを提供できるか？

主な発見

• 提案手法は、比較対象のすべての手法の中で最高のDice類似係数（DSC）を達成し、2つの最先端の深層学習モデルおよび伝統的なマルチアトラス手法を顕著に上回った。
• ネットワークは、サブヌクレウスにおけるより正確な境界の局所化を示す、優れた平均対称的表面距離（ASSD）を示した。
• ベイジアンネットワークが生成した不確実性マップは、特異な形態や曖昧な組織コントラストを示す領域を的確に強調した。
• 拡張畳み込みの使用により、空間解像度を維持したまま大きな感受野を実現でき、小さなサブヌクレウスの正確なセグメンテーションに不可欠であった。
• 二重パス設計は、局所的なテクスチャ特徴とグローバルな文脈的情報を効果的に統合し、セグメンテーションの耐性を向上させた。
• 本研究は、不確実性の定量化を併せ持つ、アメイグダラサブヌクレウスの自動セグメンテーションを目的とした、初めての深層学習ベースのアプローチを提示した。