[論文レビュー] Adversarial Networks for the Detection of Aggressive Prostate Cancer

Simon Köhl, David Bonekamp+6 more|arXiv (Cornell University)|Feb 26, 2017

Prostate Cancer Diagnosis and Treatment参考文献 16被引用数 116

ひとこと要約

この論文は、対立的学習を用いて agresive な前立腺がんの分割ネットワークを訓練し、従来のクロスエントロピーよりも小データセットで特に腫瘍 Dice および感度を向上させた。

ABSTRACT

Semantic segmentation constitutes an integral part of medical image analyses for which breakthroughs in the field of deep learning were of high relevance. The large number of trainable parameters of deep neural networks however renders them inherently data hungry, a characteristic that heavily challenges the medical imaging community. Though interestingly, with the de facto standard training of fully convolutional networks (FCNs) for semantic segmentation being agnostic towards the `structure' of the predicted label maps, valuable complementary information about the global quality of the segmentation lies idle. In order to tap into this potential, we propose utilizing an adversarial network which discriminates between expert and generated annotations in order to train FCNs for semantic segmentation. Because the adversary constitutes a learned parametrization of what makes a good segmentation at a global level, we hypothesize that the method holds particular advantages for segmentation tasks on complex structured, small datasets. This holds true in our experiments: We learn to segment aggressive prostate cancer utilizing MRI images of 152 patients and show that the proposed scheme is superior over the de facto standard in terms of the detection sensitivity and the dice-score for aggressive prostate cancer. The achieved relative gains are shown to be particularly pronounced in the small dataset limit.

研究の動機と目的

• 小さな医用画像データセットで効率的な意味的セグメンテーションを実現する動機付け。
• 対抗ディスクリミネータを介して学習されたグローバル品質指標を活用。
• エンドツーエンドの前立腺腫瘍セグメンテーションのための純粋な対向学習 regime の開発。
• 多モーダル前立腺 MRI における攻撃的がん（GS ≥7）を検出するための方法の評価。

提案手法

• 識別器 D と対戦させて訓練される U-Net 系列のセグメータ S を用い、専門家のセグメンテーションと生成されたセグメンテーションを区別。
• LS の純粋な対向損失を採用し、必要に応じてクロスエントロピー項を加え、S を訓練する（CRF や後処理は不要）。
• ラベルマップとともに MRI チャンネル（T2 強調、ADC、高値 DWI）を D の入力として組み込み、グローバルなセグメンテーションの妥当性を評価。
• 4 分割交差検証とデータ拡張（回転、切り抜き、反転）を用いて GS ≥7 対 lesion-free の 152 名の患者 MRI データで訓練。
• D を S のエンコーダに相当するグローバルプーリングを用いたネットワークとして実装し、実/偽の尤度を出力する； D が最適近傍になるよう交互訓練を実施。
• 2D 訓練方式を実装し、5 サンプル バッチと Adam オプティマイザを用い、Dice係数と感度で評価。

実験結果

リサーチクエスチョン

• RQ1 対向訓練は標準的なクロスエントロピーと比較して agressive な前立腺がんの分割品質を改善するか？
• RQ2 特に小データ領域において、データセットサイズと性能の変化はどうなるか？
• RQ3 対向訓練だけでなく、LS と重み付きクロスエントロピーを組み合わせたハイブリッド損失は有効か？
• RQ4 提案手法は事前選択や後処理なしの自動・エンドツーエンド検出を可能にするか？

主な発見

training scheme	tumor DSC	tumor sensitivity	tumor specificity
cross-entropy	0.35 ± 0.29	0.37 ± 0.33	0.98 ± 0.14
adversarial	0.41 ± 0.28	0.55 ± 0.36	0.98 ± 0.14
hybrid loss	0.39 ± 0.29	0.49 ± 0.35	0.98 ± 0.14

• 対向訓練は腫瘍 Dice (0.41±0.28) および感度 (0.55±0.36) をクロスエントロピー (0.35±0.29 および 0.37±0.33) より高くする。
• 特異度はすべてのスキームで高いまま（約 0.98）。
• ハイブリッド LS+Lmce 損失は純粋な対向訓練より性能を改善しない。
• 対向訓練の相対的な利得は訓練データが減少するにつれてより顕著になり、小規模データセットでの優位性を示す。
• 本手法は多モーダル MRI の攻撃的腫瘍セグメンテーションにおいて従来手法を上回っている。