[論文レビュー] Automatic Brain Tumor Detection and Segmentation Using U-Net Based Fully Convolutional Networks

Hao Dong, Guang Yang+3 more|arXiv (Cornell University)|May 10, 2017

Brain Tumor Detection and Classification参考文献 20被引用数 4

ひとこと要約

本稿では、マルチモodal MRIスキャンにおける完全自動脳腫瘍セグメンテーションのためのU-Netベースの完全畳み込みニューラルネットワークを提案する。BRATS 2015データセットを用い、データ拡張を施した2D U-Netアーキテクチャで訓練された本手法は、1ケースあたり2〜3秒で処理可能であり、前例となる手法に比べて効率性と頑健性に優れる。高次元腫瘍（HGG）症例における完全腫瘍のDSCは0.85、コア腫瘍のDSCは0.67を達成し、高いセグメンテーション精度を実現した。

ABSTRACT

A major challenge in brain tumor treatment planning and quantitative evaluation is determination of the tumor extent. The noninvasive magnetic resonance imaging (MRI) technique has emerged as a front-line diagnostic tool for brain tumors without ionizing radiation. Manual segmentation of brain tumor extent from 3D MRI volumes is a very time-consuming task and the performance is highly relied on operator's experience. In this context, a reliable fully automatic segmentation method for the brain tumor segmentation is necessary for an efficient measurement of the tumor extent. In this study, we propose a fully automatic method for brain tumor segmentation, which is developed using U-Net based deep convolutional networks. Our method was evaluated on Multimodal Brain Tumor Image Segmentation (BRATS 2015) datasets, which contain 220 high-grade brain tumor and 54 low-grade tumor cases. Cross-validation has shown that our method can obtain promising segmentation efficiently.

研究の動機と目的

• 手動セグメンテーションの限界を克服するため、3D MRIスキャンにおける脳腫瘍セグメンテーションの完全自動的かつ客観的で再現可能な手法の開発を目的とする。
• マルチモダリティMRIシーケンスにおける腫瘍サイズ、形状、位置、外観の多様性に起因する課題に対処することを目的とする。
• 特にコア領域および完全腫瘍領域のセグメンテーション精度と効率を向上させることを目的とし、高汎用性（HGG）および低汎用性（LGG）の両方の膠腫に対して効果を発揮する。
• 治療計画、経過観察、診断に応用可能な信頼性が高くスケーラブルな腫瘍セグメンテーションを実現することを目的とする。

提案手法

• 3D MRIボリュームの軸断層画像を処理するため、エンコーダ・デコーダ構造を有する2D U-Netアーキテクチャを用い、効率的なトレーニングと推論を実現する。
• T1、T1c、T2、FLAIR MRIシーケンスを統合したマルチチャネル入力を採用し、相補的な組織コントラスト情報を活用する。
• 回転、反転、スケーリング、エラスティック変形を含む広範なデータ拡張を実施し、一般化性能の向上と過学習の低減を図る。
• バイナリクロスエントロピー損失とシグモイド活性化関数を用いて、ピクセル単位の腫瘍確率マップを予測するエンドツーエンドのトレーニングを実施する。
• 大規模なボリュームを処理するため、スライディングウィンドウ推論を用い、GPUメモリ制限を考慮しつつ完全な空間的文脈を保持する。
• 連結成分解析および形状変換操作を用いた後処理により、セグメンテーションマスクの精緻化を実現する。

実験結果

リサーチクエスチョン

• RQ1 U-Netベースの完全畳み込みネットワークは、多様な腫瘍タイプおよび画像コントラストにわたって、頑健かつ高精度な脳腫瘍セグメンテーションを達成できるか？
• RQ2 BRATS 2015ベンチマークにおいて、本手法は最先端の手法と比較して、セグメンテーション精度および推論速度の面で優れているか？
• RQ3 限られた医療画像データセットにおいて、データ拡張が一般化性能および性能向上にどの程度寄与するか？
• RQ4 特に対照強化が乏しい低汎用性膠腫において、強化および非強化腫瘍領域を効果的にセグメンテーションできるか？

主な発見

• BRATS 2015テストセットにおいて、高汎用性膠腫（HGG）症例では完全腫瘍のDSCが0.85、コア腫瘍のDSCが0.67を達成した。
• 低汎用性膠腫（LGG）症例では、完全腫瘍のDSCが0.72、コア腫瘍のDSCが0.58に達し、境界が曖昧な状況下でも優れた性能を示した。
• 1つの3D MRIケースを2〜3秒で処理可能であり、1ケースあたり25秒から8分を要する従来手法に比べ顕著に優れた効率性を示した。
• 交差検証では各foldで一貫した性能を示し、BRATS 2015のリーダーボードにおいても最先端手法と比較して競争力のある結果を得た。
• 特にHGG症例において、いくつかの先行手法と比較してコア腫瘍セグメンテーション性能が優れていた。
• LGGにおける強化腫瘍セグメンテーションの限界は認められたが、HGGデータと共同で訓練することで性能向上が期待できると著者らは示唆している。