[論文レビュー] Automatic segmentation of prostate zones

Germonda Mooij, Inês Correia Bagulho+1 more|arXiv (Cornell University)|Jun 19, 2018

Prostate Cancer Diagnosis and Treatment参考文献 5被引用数 11

ひとこと要約

本稿では、3次元T2強調MRIスキャンにおける前立腺周辺域（PZ）および移行域（TZ）の自動セグメンテーションを目的とした3次元U-Netアーキテクチャを提案する。DiceスコアはTZで0.85、PZで0.60を達成し、従来の2次元および2段階手法をわずかに上回った。解剖学的プライオリティと非等方的ネットワーク設計の検討を行い、周囲組織のセグメンテーションが特徴マップの置き換えによりPZ性能を損なうことが判明した一方で、非等方的アーキテクチャはわずかな向上をもたらした。

ABSTRACT

Convolutional networks have become state-of-the-art techniques for automatic medical image analysis, with the U-net architecture being the most popular at this moment. In this article we report the application of a 3D version of U-net to the automatic segmentation of prostate peripheral and transition zones in 3D MRI images. Our results are slightly better than recent studies that used 2D U-net and handcrafted feature approaches. In addition, we test ideas for improving the 3D U-net setup, by 1) letting the network segment surrounding tissues, making use of the fixed anatomy, and 2) adjusting the network architecture to reflect the anisotropy in the dimensions of the MRI image volumes. While the latter adjustment gave a marginal improvement, the former adjustment showed a significant deterioration of the network performance. We were able to explain this deterioration by inspecting feature map activations in all layers of the network. We show that to segment more tissues the network replaces feature maps that were dedicated to detecting prostate peripheral zones, by feature maps detecting the surrounding tissues.

研究の動機と目的

• 深層学習を用いて3次元MRIにおける前立腺周辺域および移行域の自動セグメンテーションを改善すること。
• 周囲組織（膀胱、直腸、大腿骨など）のセグメンテーションを組み込むことで、セグメンテーション精度が向上するかどうかを評価すること。
• MRIスキャンの非等方的寸法（0.5×0.5×3.6 mm）を3次元U-Netアーキテクチャに反映させることで、セグメンテーション精度が向上するかどうかを調査すること。
• 特にPZ固有の特徴学習に注目して、ネットワークの内部挙動を特徴マップ可視化を通じて理解すること。

提案手法

• 3次元T2強調MRIボリュームを対象とした3次元U-Netアーキテクチャを、GPU互換性を確保するため入力解像度を1×1×3.6 mmに再サンプリングして適応した。
• アーキテクチャの非等方的影響を評価するため、非等方的（aniso-3DUNET）および等方的（iso-3DUNET）の2つのネットワークバージョンを訓練した。
• セグメンテーションの複雑さの影響を評価するため、2ラベル（背景、TZ、PZ）と6ラベル（膀胱、直腸、大腿骨を含む）の2つの設定で学習を実施した。
• すべての層における特徴マップ活性化を可視化し、特にPZ固有の特徴マップの変化を分析することで、ラベル数の増加に伴うネットワーク表現の変化を検討した。
• TZおよびPZのDiceスコアを計算し、設定間での性能を定量的に比較した。
• データ拡張およびクラスバランス技術を適用し、データセット内のクラス不均衡の影響を軽減した。

実験結果

リサーチクエスチョン

• RQ1 膀胱、直腸、大腿骨といった周囲組織のセグメンテーションを3次元U-Netに学習させることで、前立腺周辺域および移行域のセグメンテーション精度が向上するか？
• RQ2 MRIスキャンの非等方的寸法（0.5×0.5×3.6 mm）を3次元U-Netアーキテクチャに反映させることで、セグメンテーション精度が向上するか？
• RQ3 セグメンテーションラベル数の増加が、PZ固有の明確な特徴を学習する能力にどのように影響するか？
• RQ4 より多くの組織をセグメンテーションすると観察される性能低下の原因は何か？その原因は学習された特徴マップにどのように反映されるか？
• RQ5 3次元U-Netの初期層が、最終出力でこれらの組織を明示的にセグメンテーションしなくても、周囲の解剖学的構造に関する文脈的情報をすでにエンコードしている程度はどの程度か？

主な発見

• 3次元U-Netは移行域でDiceスコア0.85、周辺域で0.60を達成し、最近の2次元U-NetおよびATLASベース手法を上回った。
• 非等方的ネットワークバージョン（aniso-3DUNET）は、等方的バージョンと比較してPZのDiceスコアがわずかに向上（0.60 vs. 0.57）したが、標準誤差の範囲内であった。
• 膀胱、直腸、大腿骨といった追加組織のセグメンテーションを学習させたことで、PZのDiceスコアが予想に反し0.07低下した。
• 特徴マップ可視化の結果、2ラベル設定ではPZ固有の特徴マップが、6ラベル設定では多臓器の組み合わせ特徴に置き換えられていることが判明し、性能低下の理由が説明された。
• ネットワークは、最終出力でこれらの組織を明示的にセグメンテーションしなくても、初期層で既に周囲構造の文脈的情報を捉え込んでいることが示された。
• マルチラベル設定でPZ固有の特徴を保持するためにはフィルタ数を増やす必要があるが、GPUメモリ使用量が著しく増加し、期待される利益は限定的である。