[論文レビュー] Auto-context Convolutional Neural Network (Auto-Net) for Brain Extraction in Magnetic Resonance Imaging

Seyed Sadegh Mohseni Salehi, Deniz Erdoğmuş+1 more|arXiv (Cornell University)|Mar 6, 2017

Fetal and Pediatric Neurological Disorders参考文献 31被引用数 18

ひとこと要約

本論文では、局所的およびグローバルな画像特徴を多方向2次元パッチを通じて学習する自己文脈畳み込みニューラルネットワーク（CNN）を用いた、登録フリーな深層学習ベースの脳抽出手法Auto-Netを提案する。本手法は、LPBA40で97.73%、OASISで97.62%の最先端のDiceスコアを達成し、画像登録や幾何的仮定に依存しない点で優れた性能を示し、挑戦的な胎児MRIデータにおいても95.97%のDiceスコアを達成する。従来手法に比べて顕著に優れている。

ABSTRACT

Brain extraction or whole brain segmentation is an important first step in many of the neuroimage analysis pipelines. The accuracy and robustness of brain extraction, therefore, is crucial for the accuracy of the entire brain analysis process. With the aim of designing a learning-based, geometry-independent and registration-free brain extraction tool in this study, we present a technique based on an auto-context convolutional neural network (CNN), in which intrinsic local and global image features are learned through 2D patches of different window sizes. In this architecture three parallel 2D convolutional pathways for three different directions (axial, coronal, and sagittal) implicitly learn 3D image information without the need for computationally expensive 3D convolutions. Posterior probability maps generated by the network are used iteratively as context information along with the original image patches to learn the local shape and connectedness of the brain, to extract it from non-brain tissue. The brain extraction results we have obtained from our algorithm are superior to the recently reported results in the literature on two publicly available benchmark datasets, namely LPBA40 and OASIS, in which we obtained Dice overlap coefficients of 97.42% and 95.40%, respectively. Furthermore, we evaluated the performance of our algorithm in the challenging problem of extracting arbitrarily-oriented fetal brains in reconstructed fetal brain magnetic resonance imaging (MRI) datasets. In this application our algorithm performed much better than the other methods (Dice coefficient: 95.98%), where the other methods performed poorly due to the non-standard orientation and geometry of the fetal brain in MRI. Our CNN-based method can provide accurate, geometry-independent brain extraction in challenging applications.

研究の動機と目的

• 画像のアライメントや幾何的仮定に依存しない、頑健で幾何学的独立性を有する登録フリーなMRI用脳抽出手法の開発。
• 標準的な登録手法が失敗する状況、例えば非標準的な方向をとる胎児脳のような場合においても、全脳セグメンテーションの精度と頑健性を向上させること。
• BET や 3dSkullStrip、HWA、ROBEX といった従来のツールが要する手動のチューニングや準自動補正の必要性を排除すること。
• 深層学習を活用して、局所的強度および形状の文脈といった内在的画像特徴を自動で学習し、ボクセル単位分類を改善すること。
• 多様な神経画像診断応用、特に胎児および成人脳MRIに適用可能な、完全自動的かつ高速で高精度なソリューションを提供すること。

提案手法

• 本手法は、冠状面、矢状面、軸方向の3つの並列2次元畳み込みパスを備えたボクセル単位の自己文脈CNNを採用し、3次元畳み込みを用いずに、暗黙的に3次元的文脈をモデル化する。
• 前回のネットワーク予測から得られる繰り返しの事後確率マップを文脈特徴として用い、セグメンテーションを精緻化することで、局所的形状および接続性の学習を向上させる。
• エンドツーエンドの全脳セグメンテーションを実現するため、U-Netの完全畳み込みネットワークに基づく2番目のアーキテクチャも評価された。
• 最適化中に単調に減少する交差エントロピー損失関数を用いてネットワークを訓練し、安定した学習を保証する。
• 自己文脈機構により、周囲のボクセルおよび過去の予測からの空間的文脈が統合され、境界検出性能が向上し、誤検出が低減される。
• 手作業による特徴量なしに、訓練データからの学習済み表現にのみ依存し、T1強調MRIデータ上でエンドツーエンドで訓練された。

実験結果

リサーチクエスチョン

• RQ1 画像登録や幾何的仮定に依存しない深層学習ベースの手法が、MRIにおいて優れた脳抽出精度を達成できるか？
• RQ2 多方向2次元パッチ処理を施した自己文脈CNNは、計算コストを抑える一方で、3次元脳構造を3D CNNに劣らない精度でモデル化できるか？
• RQ3 本手法は、標準的なツールが失敗する、再構成MRIにおける任意の方向をとる胎児脳のような極めて困難なケースに一般化可能か？
• RQ4 イテレーティブな文脈学習は、単一段階ネットワークに比べて、セグメンテーション精度をどの程度向上させるか？
• RQ5 BET や 3dSkullStrip、HWA、ROBEX といった最先端のツールに比べ、本手法は標準ベンチマークデータセットで優れた性能を示すか？

主な発見

• Auto-NetはLPBA40データセットで97.73%のDice重複係数を達成し、従来手法を顕著に上回った。
• OASISデータセットでは97.62%のDiceスコアを達成し、多様な成人脳MRIスキャンにおいて高い精度と頑健性を示した。
• 胎児MRIでは、ボクセル単位の自己文脈CNNが95.97%のDiceスコアを達成し、非標準的な方向性や幾何的特徴のため従来手法が困難としていた状況でも顕著に優れた性能を示した。
• 自己文脈機構により、ベースラインネットワークに比べ顕著な改善が得られ、特に脳の形状と接続性の捉え方が向上した。
• 本手法は完全自動的かつ登録フリーであり、BET や ROBEX で一般的に見られる手動のパrameterチューニングや後処理補正ステップの必要性が排除された。
• 交差エントロピー損失関数は、訓練中に単調に減少することが実証され、安定的かつ信頼性の高い収束を保証した。