[論文レビュー] Automatic detection of lumen and media in the IVUS images using U-Net with VGG16 Encoder

Chirag Balakrishna, Sarshar Dadashzadeh+1 more|arXiv (Cornell University)|Jun 20, 2018

Medical Image Segmentation Techniques参考文献 13被引用数 46

ひとこと要約

論文はIVUS画像の腔内と中膜をセグメント化するVGG16-UNetアーキテクチャを提案し、データ拡張を用いた深層学習が単純なU-Netと比べてセグメンテーション精度を改善することを示します。

ABSTRACT

Coronary heart disease is one of the top rank leading cause of mortality in the world which can be because of plaque burden inside the arteries. Intravascular Ultrasound (IVUS) has been recognized as power- ful imaging technology which captures the real time and high resolution images of the coronary arteries and can be used for the analysis of these plaques. The IVUS segmentation involves the extraction of two arterial walls components namely, lumen and media. In this paper, we investi- gate the effectiveness of Convolutional Neural Networks including U-Net to segment ultrasound scans of arteries. In particular, the proposed seg- mentation network was built based on the the U-Net with the VGG16 encoder. Experiments were done for evaluating the proposed segmen- tation architecture which show promising quantitative and qualitative results.

研究の動機と目的

• 正確なIVUS内腔および中膜のセグメンテーションを動機づけ、プラーク解析および循環器リスク評価を支援する。
• IVUSセグメンテーションの深層学習アーキテクチャを調査し、VGG16エンコーダを用いたU-Net系に焦点を当てる。
• 公開IVUSデータセットでのセグメンテーション性能に対するデータ拡張の影響を評価する。

提案手法

• VGG16エンコーダを備えたU‑Netスタイルのアーキテクチャ（VGG16‑UNet）をピクセルレベルのセグメンテーションに適用する。
• VGG16からの5つのエンコーダブロックと5つの対応するデコーダブロックをスキップ接続付きで使用する。
• Dice損失で訓練し、Dice類似度とJaccard（IoU）を指標として評価する。
• 訓練データセットを拡張するためにデータ拡張（水平/垂直反転、幅/高さのシフト、回転）を適用する。
• 3つのモデルを比較する：Simple U‑Net、データ拡張なしのVGG16‑UNet、データ拡張ありのVGG16‑UNet。

実験結果

リサーチクエスチョン

• RQ1 VGG16でエンコードされたU‑Netは、単純なU‑Netと比較してIVUS画像の腔内および中膜のセグメンテーションを改善できるか。
• RQ2 データ拡張は、アーティファクトの多いIVUSデータで一般化とセグメンテーション精度を有意に改善するか。
• RQ3 提案されたVGG16‑UNet with augmentationの定量的利得（Dice、Jaccard）は、公開データセット上のベースラインと比べてどの程度か。

主な発見

指標	実験 1	実験 2	実験 3
内腔 平均 Jaccard	0.5497	0.6965	0.7982
内腔 平均 Dice	0.6931	0.8129	0.8846
中膜 平均 Jaccard	0.5754	0.7409	0.8085
中膜 平均 Dice	0.7197	0.8393	0.8825

• データ拡張を備えたVGG16‑UNetが最も良いセグメンテーション性能を示し、平均Jaccardは腔内0.695、中膜0.741、平均Diceは腔内0.813、中膜0.839。
• 単純なU‑Netはノイズやアーティファクトが多いIVUS画像で苦戦し、深層アーキテクチャと比較して劣る。
• データ拡張なしのVGG16‑UNetはSimple U‑Netより改善するが、アーティファクトに敏感なままであり、拡張は精度と一般化を大幅に向上させる。
• 326枚のテスト画像に対する推論は30秒未満で、臨床パイプラインへの実用的な適用性を示す。
• データが効果的に拡張されれば、自然画像で事前訓練されたエンコーダを持つより深いネットワークがIVUSセグメンテーションで良好に機能することを示している。