[論文レビュー] Assessing the Role of Random Forests in Medical Image Segmentation

Dennis Hartmann, Dominik Müller+2 more|arXiv (Cornell University)|Mar 30, 2021

Retinal Imaging and Analysis参考文献 6被引用数 6

ひとこと要約

本研究では、医療画像セグメンテーションにおける深層畳み込みニューラルネットワーク（DCNN）のGPU不要な代替手法としてランダムフォレストの有効性を評価する。PhC-C2DH-U373および網膜画像データセットを用いて、DCNNが最高の性能を達成する一方で、あるランダムフォレスト手法がこれに非常に近い性能を示し、リソース制限のある環境でもGPUを必要とせずに実用可能であることを示した。

ABSTRACT

Neural networks represent a field of research that can quickly achieve very good results in the field of medical image segmentation using a GPU. A possible way to achieve good results without GPUs are random forests. For this purpose, two random forest approaches were compared with a state-of-the-art deep convolutional neural network. To make the comparison the PhC-C2DH-U373 and the retinal imaging datasets were used. The evaluation showed that the deep convolutional neutral network achieved the best results. However, one of the random forest approaches also achieved a similar high performance. Our results indicate that random forest approaches are a good alternative to deep convolutional neural networks and, thus, allow the usage of medical image segmentation without a GPU.

研究の動機と目的

• GPUに依存せずに医療画像分野における高精度なセグメンテーションを達成できるかどうかを評価すること。
• 最先端の深層畳み込みニューラルネットワーク（DCNN）と比較して、2つのランダムフォレストベースの手法の性能を評価すること。
• 特にリソースが限られた環境において、ランダムフォレストが深層学習の実用的代替手段であるかどうかを特定すること。
• 公開データセットを用いて、異なる医療画像モodalitiesにわたるランダムフォレスト手法の一般化可能性を評価すること。

提案手法

• 局所的な画像特徴と空間的文脈を活用した、2つの異なるランダムフォレストベースのセグメンテーション手法を実装した。
• 比較のための最先端のベンチマークモデルとして、深層畳み込みニューラルネットワーク（DCNN）を用いた。
• モデルは、2つの公開利用可能な医療画像データセット（PhC-C2DH-U373（位相差顕微鏡）および網膜画像（Fundus写真））上で訓練および評価された。
• 特徴工学には、各画素の周囲の局所的画像パッチから抽出した強度、テクスチャ、形態的特徴が含まれた。
• ランダムフォレストアンサンブル内の複数の木の予測結果を多数決によって統合し、画素単位の予測を生成した。
• 性能は、Dice係数やJaccard指数などの標準的なセグメンテーション指標を用いて測定された。

実験結果

リサーチクエスチョン

• RQ1 ランダムフォレストは、医療画像セグメンテーションにおいて、最先端の深層畳み込みニューラルネットワークと比較して競争力のある性能を達成できるか？
• RQ2 異なるランダムフォレストの設定は、多様な医療画像データセットでどのように性能を示すか？
• RQ3 GPU環境が利用できない状況において、ランダムフォレストが深層学習の実用的代替手段としてどの程度有効であるか？
• RQ4 特徴工学と空間的文脈の影響は、ランダムフォレストベースのセグメンテーション精度にどのように及ぶか？

主な発見

• 深層畳み込みニューラルネットワークは、両方のデータセットで最高のセグメンテーション性能を達成しており、本タスクにおける現在の優位性を確認した。
• ランダムフォレスト手法のうち1つが、PhC-C2DH-U373データセットでDCNNと同等のDice係数を達成し、強い競争力のある性能を示した。
• ランダムフォレスト手法は網膜画像データセットでも高い精度と頑健性を示したが、DCNNの性能よりわずかに下回った。
• 結果から、ランダムフォレストはGPU加速を必要とせずに高精度なセグメンテーションを実現できることを示しており、リソースが限られた臨床環境に適していることがわかった。