[論文レビュー] Automatic acute ischemic stroke lesion segmentation using semi-supervised learning

Bin Zhao, Shuxue Ding+5 more|arXiv (Cornell University)|Aug 10, 2019

Acute Ischemic Stroke Management参考文献 42被引用数 6

ひとこと要約

本稿では、拡散強調画像における急性虚血性ストローク（AIS）病変のセグメンテーションのための半教師あり深層学習フレームワークを提案する。弱教師あり二重パス分類ネットワーク、DWIにおけるK-Meansクラスタリング、および領域成長法を組み合わせることで、15例の完全ラベル付き被験者でのみ高い精度を達成する。臨床的テストセットにおいて、平均Dice係数は0.642、病変単位のF1スコアは0.822を達成し、高価な専門家によるラベル付けへの依存を顕著に低減する。

ABSTRACT

Ischemic stroke is a common disease in the elderly population, which can cause long-term disability and even death. However, the time window for treatment of ischemic stroke in its acute stage is very short. To fast localize and quantitively evaluate the acute ischemic stroke (AIS) lesions, many deep-learning-based lesion segmentation methods have been proposed in the literature, where a deep convolutional neural network (CNN) was trained on hundreds of fully labeled subjects with accurate annotations of AIS lesions. Despite that high segmentation accuracy can be achieved, the accurate labels should be annotated by experienced clinicians, and it is therefore very time-consuming to obtain a large number of fully labeled subjects. In this paper, we propose a semi-supervised method to automatically segment AIS lesions in diffusion weighted images and apparent diffusion coefficient maps. By using a large number of weakly labeled subjects and a small number of fully labeled subjects, our proposed method is able to accurately detect and segment the AIS lesions. In particular, our proposed method consists of three parts: 1) a double-path classification net (DPC-Net) trained in a weakly-supervised way is used to detect the suspicious regions of AIS lesions; 2) a pixel-level K-Means clustering algorithm is used to identify the hyperintensive regions on the DWIs; and 3) a region-growing algorithm combines the outputs of the DPC-Net and the K-Means to obtain the final precise lesion segmentation. In our experiment, we use 460 weakly labeled subjects and 15 fully labeled subjects to train and fine-tune the proposed method. By evaluating on a clinical dataset with 150 fully labeled subjects, our proposed method achieves a mean dice coefficient of 0.642, and a lesion-wise F1 score of 0.822.

研究の動機と目的

• 急性虚血性ストローク病変セグメンテーションにおける、高価で時間がかかる専門家によるラベル付けへの依存を低減すること。
• 限られた完全ラベル付きデータを用いて、拡散強調画像におけるセグメンテーション精度を向上させること。
• 急性ストローク状況下での臨床的展開を想定した、堅牢で自動化された手法を開発すること。
• 弱教師あり検出とクラスタリングおよび領域成長法を統合し、正確な病変境界の特定を実現すること。

提案手法

• 弱教師ありの方法で学習された二重パス分類ネットワーク（DPC-Net）を用い、拡散強調画像から懸念されるAIS領域を検出する。
• ピクセル単位のK-Meansクラスタリングアルゴリズムを用いて、効果的拡散係数（ADC）マップ上の高信号強度領域を同定する。
• DPC-NetとK-Meansの出力を領域成長アルゴリズムを用いて統合し、病変境界を精緻化する。
• 460例の弱教師ありラベル付き被験者と15例の完全ラベル付き被験者を用いて、モデルを学習および微調整する。
• 画像強度パターンと空間的文脈の両方を活用することで、セグメンテーションの堅牢性を向上させる。
• 半教師あり学習により、完全ラベル付きデータが極めて少ない状況でも高い性能を達成できる。

実験結果

リサーチクエスチョン

• RQ1 限られた完全ラベル付きデータを用いた半教師あり深層学習アプローチが、高精度なAIS病変セグメンテーションを達成できるか。
• RQ2 弱教師あり分類とクラスタリングおよび領域成長法を組み合わせることで、病変セグメンテーションにどの程度の有効性があるか。
• RQ3 訓練に15例の完全ラベル付き被験者しか利用できない状況でも、提案手法が高精度を維持できるか。
• RQ4 DPC-NetとK-Meansの統合は、単一モodalアプローチと比較して、病変検出をどの程度改善するか。
• RQ5 完全ラベル付き病変を有する臨床的テストセットにおける、本手法の性能はいかほどか。

主な発見

• 提案手法は、150例の完全ラベル付き被験者から成るテストセットにおいて、平均Dice係数0.642を達成した。
• 病変単位のF1スコアは0.822に達し、病変レベルの検出性能が優れていることを示している。
• 完全ラベル付き被験者をわずか15例に制限しても、本手法は堅牢性を示し、ラベル付け負担を顕著に低減した。
• DPC-Net、K-Means、および領域成長法の統合は、ベースライン手法よりも病変局在と境界精度で優れた性能を発揮した。
• 半教師ありフレームワークは、460例の弱教師あり被験者を有効に活用し、モデルの一般化能力を向上させた。
• 結果から、専門家によるラベル付けが最小限の状況でも、高精度な脳梗塞病変セグメンテーションが実現可能であることが確認された。