[論文レビュー] Automatic 3D Cardiovascular MR Segmentation with Densely-Connected Volumetric ConvNets

Lequan Yu, Jie‐Zhi Cheng+5 more|arXiv (Cornell University)|Aug 2, 2017

Advanced Neural Network Applications参考文献 18被引用数 50

ひとこと要約

DenseVoxNet を導入した、密結合の 3D 全結合ネットワークによる心筋と血流プールの自動セグメンテーションを 3D 心臓 MRI 画像で実現。パラメータ数を抑えつつ最先端の Dice スコアを達成。

ABSTRACT

Automatic and accurate whole-heart and great vessel segmentation from 3D cardiac magnetic resonance (MR) images plays an important role in the computer-assisted diagnosis and treatment of cardiovascular disease. However, this task is very challenging due to ambiguous cardiac borders and large anatomical variations among different subjects. In this paper, we propose a novel densely-connected volumetric convolutional neural network, referred as DenseVoxNet, to automatically segment the cardiac and vascular structures from 3D cardiac MR images. The DenseVoxNet adopts the 3D fully convolutional architecture for effective volume-to-volume prediction. From the learning perspective, our DenseVoxNet has three compelling advantages. First, it preserves the maximum information flow between layers by a densely-connected mechanism and hence eases the network training. Second, it avoids learning redundant feature maps by encouraging feature reuse and hence requires fewer parameters to achieve high performance, which is essential for medical applications with limited training data. Third, we add auxiliary side paths to strengthen the gradient propagation and stabilize the learning process. We demonstrate the effectiveness of DenseVoxNet by comparing it with the state-of-the-art approaches from HVSMR 2016 challenge in conjunction with MICCAI, and our network achieves the best dice coefficient. We also show that our network can achieve better performance than other 3D ConvNets but with fewer parameters.

研究の動機と目的

• 訓練データが限られた状況で、3D 心臓 MR 画像における全心臓および大血管の自動セグメンテーションの課題に対処する。
• 情報フローを改善しパラメータ数を削減するため、密結合のボリュメトリック CNN を提案する。
• 補助サイドパスと深い監視によってトレーニングの安定性と勾配伝播を向上させる。
• HVSMR 2016 データセットにおける心筋と血池セグメンテーションで、最先端の 3D ConvNet より優れていることを示す。

提案手法

• DenseVoxNet を提案する。情報再利用を可能にし、パラメータ数を削減する密結合の 3D 全結合ネットワーク。
• 各 12 の変換層を持つ 2 つの DenseBlock を実装し、成長率を 12 に設定。
• ダウンサンプリング経路で 3×3×3 の畳み込み、バッチ正規化、ReLU、ドロップアウト（割合 0.2）を使用。
• DenseBlock 間に transition block を組み込み、デコンボリューションを用いた 2 段階のアップサンプリング経路でボクセル単位のセグメンテーションを生成。
• 遷移層から最終出力への長いスキップ接続を追加し、深い監視と勾配フローを促進。
• メモリ制約のためサブボリューム 64×64×64 で学習し、最終セグメンテーションには重複したサブボリューム予測に対するマジョリティ投票を行う。

実験結果

リサーチクエスチョン

• RQ1 訓練データが限られている場合、密結合の 3D CNN は 3D 心臓 MR 画像の心筋と血 Pool の自動セグメンテーションを改善できるか？
• RQ2 DenseVoxNet は、既存の 3D ConvNets（例：3D U-Net、VoxResNet）よりも少ないパラメータでより良いセグメンテーション性能を達成するか？
• RQ3 補助サイドパスと深い監視は、セグメンテーションの精度とトレーニングの安定性をさらに高めるか？

主な発見

手法	心筋 Dice	心筋 ADB (mm)	心筋 Hausdorff (mm)	血流プール Dice	血流プール ADB (mm)	血流プール Hausdorff (mm)
Mukhopadhyay et al.	0.495 ± 0.126	2.596 ± 1.358	12.796 ± 4.435	0.794 ± 0.053	2.550 ± 0.996	14.634 ± 8.200
Tziritas et al.	0.612 ± 0.153	2.041 ± 1.022	13.199 ± 6.025	0.867 ± 0.047	2.157 ± 0.503	19.723 ± 4.078
Shahzad et al.	0.747 ± 0.075	1.099 ± 0.204	5.091 ± 1.658	0.885 ± 0.028	1.553 ± 0.376	9.408 ± 3.059
Wolterink et al.	0.802 ± 0.060	0.957 ± 0.302	6.126 ± 3.565	0.926 ± 0.018	0.885 ± 0.223	7.069 ± 2.857
Yu et al.	0.786 ± 0.064	0.997 ± 0.353	6.419 ± 2.574	0.931 ± 0.016	0.868 ± 0.218	7.013 ± 3.269
DenseVoxNet (Ours)	0.821 ± 0.041	0.964 ± 0.292	7.294 ± 3.340	0.931 ± 0.011	0.938 ± 0.224	9.533 ± 4.194

• DenseVoxNet は、競合手法の中で HVSMR 2016 データセットにおける心筋（0.821 ± 0.041）および血池（0.931 ± 0.011）の最高 Dice スコアを達成。
• DenseVoxNet は約 1.8M パラメータを使用し、3D U-Net（19.0M）および VoxResNet（4.0M）よりはるかに少ない。
• 補助パスなしの DenseVoxNet-A は、完全な DenseVoxNet と比べて性能が劣る。補助的深層監視の利点を示す。
• 他の ConvNet アプローチと比較して、DenseVoxNet は心筋 Dice をより高く達成しつつ、血 pool Dice も競争力があるまたはより良く、パラメータ数も少ない。
• 密結合と特徴再利用により、情報フローの改善と過剰適合リスクの低減を示す。