[論文レビュー] Automatic Post-Stroke Lesion Segmentation on MR Images using 3D Residual Convolutional Neural Network

Naofumi Tomita, Steven Jiang+2 more|arXiv (Cornell University)|Nov 25, 2019

Acute Ischemic Stroke Management参考文献 26被引用数 6

ひとこと要約

本研究では、T1強調MRIスキャンにおける慢性後発性脳卒中病変の自動セグメンテーションを目的として、新規のズームイン＆アウト戦略を組み込んだ3次元残留U-Netアーキテクチャを提案する。239例の公的スキャンで訓練されたモデルは、平均Dice類似係数0.64（95%信頼区間：0.51–0.76）を達成し、深く3次元畳み込みニューラルネットワークと残留学習を用いたベンチマークデータセットにおける最先端の性能を示した。

ABSTRACT

In this paper, we demonstrate the feasibility and performance of deep residual neural networks for volumetric segmentation of irreversibly damaged brain tissue lesions on T1-weighted MRI scans for chronic stroke patients. A total of 239 T1-weighted MRI scans of chronic ischemic stroke patients from a public dataset were retrospectively analyzed by 3D deep convolutional segmentation models with residual learning, using a novel zoom-in&out strategy. Dice similarity coefficient (DSC), Average symmetric surface distance (ASSD), and Hausdorff distance (HD) of the identified lesions were measured by using the manual tracing of lesions as the reference standard. Bootstrapping was employed for all metrics to estimate 95% confidence intervals. The models were assessed on the test set of 31 scans. The average DSC was 0.64 (0.51-0.76) with a median of 0.78. ASSD and HD were 3.6 mm (1.7-6.2 mm) and 20.4 mm (10.0-33.3 mm), respectively. To the best of our knowledge, this performance is the highest achieved on this public dataset. The latest deep learning architecture and techniques were applied for 3D segmentation on MRI scans and demonstrated to be effective for volumetric segmentation of chronic ischemic stroke lesions.

研究の動機と目的

• T1強調MRIスキャンにおける慢性後発性脳卒中病変の正確な体積セグメンテーションを実現する自動化されたディープラーニングベースの手法を開発すること。
• 深く3次元畳み込みニューラルネットワークを活用して、手動セグメンテーションにおける高い被験者間・被験者内ばらつきの課題に対処すること。
• 残留学習と新規の空間ズームイン＆アウト戦略を用いて、局所的特徴の捉えを強化することで、病変セグメンテーションの正確性を向上させること。
• 標準指標（Dice、ASSD、ハウスドルフ距離）を用いて、公的データセット上で性能を評価すること。

提案手法

• 3次元U-Netアーキテクチャに残留ブロックを組み込み、ボリュメトリックMRIデータ全体にわたる深層ネットワークの学習と特徴抽出を可能にした。
• 病変領域に注目し、重要な領域における空間分解能を向上させることで、局所化の正確性を高めるために、新規のズームイン＆アウト戦略を適用した。
• 消失勾配問題の緩和とより深いネットワークの学習を可能にするために、残留接続を統合した。
• 確率的勾配降下法を用い、交差エントロピー損失関数とデータ増強を組み合わせて、エンド・トゥ・エンドでモデルを訓練した。
• テストセット31例のスキャンに対して推論を実施し、予測結果を手動セグメンテーション（正解ラベル）と比較した。
• すべての評価指標の95%信頼区間を計算するためにブートストラップ法を用いた。

実験結果

リサーチクエスチョン

• RQ1 3次元残留畳み込みニューラルネットワークは、T1強調MRIスキャンにおける慢性後発性脳卒中病変のロバストで正確なセグメンテーションを達成できるか？
• RQ2 提案されたズームイン＆アウト戦略は、標準的な3次元U-Net手法と比較して、病変の局所化およびセグメンテーション性能を向上させるか？
• RQ3 標準指標（Dice、ASSD、HD）を用いて、公的慢性脳卒中MRIデータセット上でのモデルの性能はいかほどか？
• RQ4 従来の最先端手法と比較して、モデルの病変セグメンテーション正確性はどのように差異を示すか？

主な発見

• 提案モデルは、31例のテストセットで平均Dice類似係数（DSC）0.64（95%信頼区間：0.51–0.76）を達成した。
• 中央値DSCは0.78であり、明確に定義された病変を示すサブセットのケースにおいて強力な性能を示した。
• 平均対称表面距離（ASSD）は3.6 mm（95%信頼区間：1.7–6.2 mm）であり、手動トレーシングとの良好な表面一致を示した。
• ハウスドルフ距離（HD）は20.4 mm（95%信頼区間：10.0–33.3 mm）であり、病変境界予測における偶発的な外れ値が存在することを示した。
• 著者らの知る限り、本公的データセットにおいて報告された最高の性能である。
• 残留学習とズームイン＆アウト戦略の統合により、セグメンテーションの正確性とロバスト性が顕著に向上した。