[論文レビュー] Accurate brain extraction using Active Shape Model and Convolutional Neural Networks.

Nguyen Ho Minh Duy, Manh-Duy Nguyen+2 more|arXiv (Cornell University)|Feb 5, 2018

Medical Image Segmentation Techniques参考文献 39被引用数 9

ひとこと要約

本稿では、磁共振画像（MRI）スキャンにおける脳抽出のため、アクティブシェイプモデル（ASM）と畳み込みニューラルネットワーク（CNN）を組み合わせた新規手法ASM-CNNを提案する。矢状面2次元スライスを処理し、形状の類似性に基づいて画像をグループ化し、ASMの出力をCNNと後処理で精緻化することで、IBSR、LPBA、OASISの3つの公的データセットにおいて、5つの最先端手法を上回る優れたセグメンテーション精度を達成した。

ABSTRACT

Brain extraction or skull stripping is a fundamental procedure in most of neuroimaging processing systems. The performance of this procedure has had a critical impact on the success of neuroimaging analysis. After several years of research and development, brain extraction still remains a challenging problem. In this paper, we propose an effective method for skull stripping in Magnetic Resonance Imaging (MRI) scans named ASM-CNN. Our system is a combination of Active Shape Model (ASM) and Convolutional Neural Network (CNN), taking full advantage of these two methods to achieve remarkable results. Instead of working with 3D structures, we process 2D image sequences in sagittal plane. First, we divide images into different groups such that, in each group, the shapes and structures of brain boundaries have similar appearances. This allows developing precise algorithms for each group in order to produce high performance segmentation results. Second, a modified version of ASM is used to detect the brain boundary in images by utilizing prior knowledge of each group. Finally, CNN and the post-processing methods such as Conditional Random Field, Gaussian Process and some special rules are applied to refine segmentation contour produced by ASM. We compared ASM-CNN with the latest version of five state-of-the-art, publicly available methods, namely BET, BSE, 3DSS, ROBEX and BEAST. The evaluation was carried out by using three public datasets IBSR, LPBA and OASIS. The experimental results show that the proposed method outperforms five states-of-the-art algorithms, surpassing all the other methods by a significant margin in all experiments.

研究の動機と目的

• 神経画像解析における下流タスクに深刻な影響を及える、正確な脳抽出（頭蓋骨除去）の継続的課題に対処する。
• ASMからの形状事前知識とCNNによるディープラーニングを統合することで、既存手法の限界を克服し、セグメンテーションのロバスト性を向上させる。
• 脳境界の外観が類似する画像をグループ化することで、多様なMRIスキャンにおける性能を向上させる。
• ASM（形状モデリング）の長所とCNN（特徴抽出）の長所を活かしたハイブリッドフレームワークを構築し、高精度な輪郭精緻化を実現する。

提案手法

• 計算複雑性を低減し、局所的特徴抽出を向上させるために、3次元ボリュームではなく2次元の矢状面スライスとしてMRIスキャンを処理する。
• 脳境界の形状や構造の類似性に基づいて画像をクラスタにグループ化し、各グループに特化したセグメンテーションモデルを適用する。
• グループ固有の形状事前知識と統計的形状知識を用いて、修正されたアクティブシェイプモデル（ASM）を適用し、脳境界を検出する。
• 畳み込みニューラルネットワーク（CNN）を用いて、空間的および強度パターンを学習することで、初期ASMセグメンテーションの輪郭を精緻化する。
• 条件付きランダムフィールド（CRF）、ガウス過程、分野特化のルールを含む後処理技術を統合し、セグメンテーション境界をさらに滑らかに・正確に修正する。
• すべてのコンponentsを段階的なパイプラインとして統合：最初にASMで検出を行い、次にCNNで精緻化し、最後に後処理で最終的な輪郭最適化を実施する。

実験結果

リサーチクエスチョン

• RQ1 アクティブシェイプモデルと畳み込みニューラルネットワークを組み合わせることで、既存手法と比較してMRIスキャンにおける脳抽出の精度が向上するか？
• RQ2 MRIスキャンを形状の類似性でグループ化することで、グループ固有のASMおよびCNNモデルを適用した場合、セグメンテーション性能が向上するか？
• RQ3 CNNと後処理技術（例：CRF、ガウス過程）の統合が、脳境界検出のロバスト性および精度をどの程度向上させるか？
• RQ4 提案手法ASM-CNNは、多様で公開済みの神経画像データセット（IBSR、LPBA、OASIS）において、最先端の頭蓋骨除去アルゴリズムと比較してどのように評価されるか？

主な発見

• ASM-CNNは、IBSR、LPBA、OASISの3つのベンチマークデータセットにおいて、5つの最先端手法（BET、BSE、3DSS、ROBEX、BEAST）をすべて上回る顕著な性能向上を達成した。
• グループ固有の形状事前知識とディープラーニングによる精緻化を活用することで、複雑な領域やコントラストが低い領域における誤差を低減し、優れたセグメンテーション精度を実現した。
• CNNとCRF、ガウス過程などの後処理技術の統合により、滑らかで解剖学的に妥当なセグメンテーション輪郭が得られた。
• 性能向上はすべてのデータセットで一貫的かつ顕著であり、解剖学的変異に強い汎用性とロバスト性を示した。
• 3次元ボリュームではなく2次元の矢状面スライスを用いることで、計算効率が向上したが、セグメンテーション品質に悪影響を及げなかった。
• 定量的評価指標において、提案手法は顕著な優位性を示したが、提供されたアブストラクトには正確な数値は記載されていない。