[論文レビュー] Accurate Lung Segmentation via Network-Wise Training of Convolutional Networks

Sangheum Hwang, Sunggyun Park|arXiv (Cornell University)|Aug 2, 2017

COVID-19 diagnosis using AI参考文献 3被引用数 3

ひとこと要約

本稿では、アトリウス畳み込みと独創的なネットワーク単位のトレーニング戦略を用いた深層畳み込みニューラルネットワークを提案し、チアストレントX線における正確な肺領域分離を実現する。段階的に予測を改善することで、誤検出と誤検出を低減し、滑らかな境界を生成する。データ拡張を組み合わせることで、パrameter数を減らしつつ一般化性能を向上させ、JSRTデータセットで最先端の性能を達成した。

ABSTRACT

We introduce an accurate lung segmentation model for chest radiographs based on deep convolutional neural networks. Our model is based on atrous convolutional layers to increase the field-of-view of filters efficiently. To improve segmentation performances further, we also propose a multi-stage training strategy, network-wise training, which the current stage network is fed with both input images and the outputs from pre-stage network. It is shown that this strategy has an ability to reduce falsely predicted labels and produce smooth boundaries of lung fields. We evaluate the proposed model on a common benchmark dataset, JSRT, and achieve the state-of-the-art segmentation performances with much fewer model parameters.

研究の動機と目的

• 深層学習を用いて、胸部レントゲン写真における高精度でパrameter効率の良い肺領域分離モデルの開発を目的とする。
• X線画像における肺の形状やサイズの高いばらつきの課題に対処することを目的とする。
• 誤検出と誤検出を低減し、滑らかな肺境界を生成することで、分離精度を向上させることを目的とする。
• 各段階が入力画像と直前の段階の出力の両方を用いて学習される、マルチステージトレーニング戦略（ネットワーク単位のトレーニング）の有効性を検証することを目的とする。
• 分布シフトが生じたデータセット（MC）における一般化性能を評価し、ドメインシフトに対するロバストネスを検証することを目的とする。

提案手法

• 受容 field を拡大するがパrameter数を増加させないために、アトリウス畳み込み（レート r=3）を用いた深く細い残差ネットワークアーキテクチャを採用する。
• トレーニングの安定化のため、各畳み込み層の後にバッチ正規化を適用する。
• ネットワーク単位のトレーニングを導入：後続の段階のネットワークは、元の画像と直前の段階の分離出力の両方を用いて学習する。
• 輪郭の正確性を向上させるために、交差エントロピー損失と境界損失を組み合わせたマルチスケール損失関数を採用する。
• ピクセル値の変動に強い耐性を高めるために、明るさとコントラストをランダムに調整するデータ拡張を適用する。
• 空間解像度を回復させるために、転置畳み込みとスキップ接続を備えたU-Netに類似したデコーダーを用いる。

実験結果

リサーチクエスチョン

• RQ1 各段階が入力画像と直前の段階の出力の両方を用いて学習されるネットワーク単位のトレーニングは、肺領域分離の精度と境界の滑らかさを向上させることができるか？
• RQ2 軽量なネットワークアーキテクチャにアトリウス畳み込みを適用することで、少ないパrameter数で競争力のある性能を達成できるか？
• RQ3 訓練データセット（JSRT）とは分布が異なるMCデータセットにおいて、モデルの性能はどのように変化するか。これはドメインシフトへのロバストネスに何を示唆するか？
• RQ4 データ拡張は、分布外データにおける分離性能の一般化とばらつきの低減にどの程度寄与するか？
• RQ5 提案手法は、複数の指標（Jaccard、Dice、ACD、ASD）において最先端の性能を達成しつつ、モデル効率を維持できるか？

主な発見

• データ拡張を段階3で適用した場合、JSRTデータセットで最先端の性能を達成し、Jaccard類似係数（JSC）は 0.961 ± 0.015、Dice係数（DC）は 0.980 ± 0.008 を記録した。
• ネットワーク単位のトレーニングにより、誤検出と誤検出が顕著に低減され、視覚的比較で段階1から段階3にかけて境界の滑らかさが向上した。
• 性能は段階3で飽和しており、3段階を超えると利得が減少するため、最終評価には段階3が使用された。
• MCデータセットでは、平均性能が低下（JSC: 0.931 ± 0.049）し、標準偏差が 0.049 と高いばらつきを示しており、ドメインシフトに起因する不安定性が示された。
• データ拡張を適用した場合、JSRTデータセットにおける平均表面距離（ASD）は 0.675 ± 0.122 mm であり、先行手法を上回った。
• 深く細いアーキテクチャのおかげでモデルサイズが小さく抑えられ、競合モデルよりも少ないパrameter数で高い精度を達成した。