[論文レビュー] Adversarial Deep Structural Networks for Mammographic Mass Segmentation

Wentao Zhu, Xiang Xiang+2 more|arXiv (Cornell University)|Dec 18, 2016

AI in cancer detection参考文献 31被引用数 43

ひとこと要約

本稿では、完全畳み込みネットワーク（FCN）と条件付きランダムフィールド（CRF）を組み合わせたエンドツーエンドの敵対的深層構造ネットワークを提案する。空間的事前知識、敵対的訓練、マルチスケール融合を統合することで、INBreastおよびDDSM-BCRPデータセットにおいて最先端の性能を達成し、それぞれ9.7%および13%の相対的なDice係数の向上を達成した。

ABSTRACT

Mass segmentation is an important task in mammogram analysis, providing effective morphological features and regions of interest (ROI) for mass detection and classification. Inspired by the success of using deep convolutional features for natural image analysis and conditional random fields (CRF) for structural learning, we propose an end-to-end network for mammographic mass segmentation. The network employs a fully convolutional network (FCN) to model potential function, followed by a CRF to perform structural learning. Because the mass distribution varies greatly with pixel position, the FCN is combined with position priori for the task. Due to the small size of mammogram datasets, we use adversarial training to control over-fitting. Four models with different convolutional kernels are further fused to improve the segmentation results. Experimental results on two public datasets, INbreast and DDSM-BCRP, show that our end-to-end network combined with adversarial training achieves the-state-of-the-art results.

研究の動機と目的

• ディープラーニングベースのセグメンテーションにおいて、限られたコントラストが低いマンモグラムデータセットの課題に対処する。
• 敵対的訓練を用いて、小規模な医療画像データセットにおける過学習を克服する。
• 空間的事前知識と構造的CRF学習をエンドツーエンドのフレームワークに統合することで、セグメンテーションの正確性を向上させる。
• 手作業による特徴量抽出や二段階の学習に依存しないようにし、FCNとCRFを一つの学習パイプラインに統合する。
• 統一的で頑健なディープラーニングアーキテクチャを用いて、公開のマンモグラム質量セグメンテーションベンチマークで優れた性能を達成する。

提案手法

• 画素分類のためのユニナリポテンシャルをモデル化するために、学習可能な特徴量と空間的事前知識を備えた完全畳み込みネットワーク（FCN）を採用する。
• 構造的整合性を強制するために、完全結合ペアワイズCRFを統合し、メッセージパッシングと再重み付けを用いて効率的な推論を実現する。
• FCNの正則化として敵対的訓練を適用し、学習中に敵対的サンプルを生成することで、小規模なデータセットにおける過学習を低減する。
• 4種類の異なる畳み込みカーネルを用いたマルチスケール統合戦略を採用し、特徴表現の強化と耐性を向上させる。
• FCN-CRFシステム全体をエンドツーエンドで学習し、ネットワーク重みとCRFパラメータを同時に最適化する。
• 効率的なCRF推論のための平均場近似を用い、適合性変換と正規化を適用して予測を精緻化する。

実験結果

リサーチクエスチョン

• RQ1 敵対的訓練は、小規模なデータセットにおけるマンモグラム質量セグメンテーションのディープネットワークに対して、効果的に正則化できるか？
• RQ2 空間的事前知識を統合することで、分布が変動する質量領域におけるセグメンテーションの正確性はどの程度向上するか？
• RQ3 FCNとCRFのエンドツーエンド学習は、二段階アプローチや特徴量設計に基づくアプローチを上回る程度の性能向上を達成できるか？
• RQ4 複数の畳み込みカーネルの統合は、質量セグメンテーションにおける耐性と一般化性能を向上させるか？
• RQ5 提案手法は、標準のFCNやFCN-CRFベースラインと比較して、境界の正確性をどの程度向上させるか？

主な発見

• 提案された敵対的FCN-CRFネットワークは、先行研究の最先端手法と比較して、INBreastデータセットで9.7%の相対的なDice係数の向上を達成した。
• DDSM-BCRPデータセットでは、13%の相対的なDice係数の向上を達成し、データセット間での強力な一般化性能を示した。
• 敵対的訓練単体でも、平均で0.4%のDice係数向上を達成し、小規模な学習セットにおける過学習低減効果が明確に示された。
• 空間的事前知識の追加により、セグメンテーションの正確性が0.3%向上し、解剖学的文脈の重要性が浮き彫りになった。
• トリマップ領域（幅1–5）における境界の正確性が、敵対的訓練により2–3%向上し、エッジの局所化精度の向上が示された。
• McNemarのカイ二乗検定のp値は0.001未満であり、INBreastデータセットにおいて、本手法が先行研究の最先端手法を有意に上回っていることを確認した。