[論文レビュー] Boundary Aware Networks for Medical Image Segmentation.

Ali Hatamizadeh, Demetri Terzopoulos+1 more|arXiv (Cornell University)|Aug 21, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 9被引用数 5

ひとこと要約

本稿では、境界認識ネットワーク（BAN）を提案し、完全畳み込みネットワークに専用のエッジブランチとエッジ認識損失関数を統合することで、境界検出を向上させる。BraTS 2018で評価された結果、臓器の境界を明示的にモデル化することで、細かな解剖的構造を捉える能力が向上し、標準のCNNよりも優れた分類精度を達成した。

ABSTRACT

Fully convolutional neural networks (CNNs) have proven to be effective at representing and classifying textural information, thus transforming image intensity into output class masks that achieve semantic image segmentation. In medical image analysis, however, expert manual segmentation often relies on the boundaries of anatomical structures of interest. We propose boundary aware CNNs for medical image segmentation. Our networks are designed to account for organ boundary information, both by providing a special network edge branch and edge-aware loss terms, and they are trainable end-to-end. We validate their effectiveness on the task of brain tumor segmentation using the BraTS 2018 dataset. Our experiments reveal that our approach yields more accurate segmentation results, which makes it promising for more extensive application to medical image segmentation.

研究の動機と目的

• 専門家による手動分類において重要な解剖的構造の境界を明示的にモデル化することで、医療画像分類の精度を向上させること。
• テクスチャや強度パターンのパターン認識には優れた性能を示すが、正確な臓器境界を捉える能力に制限を示す標準CNNの課題を解決すること。
• セマンティック分類と境界検出の両方を同時に最適化できる、エンドツーエンドで学習可能なネットワークアーキテクチャの開発。
• 境界認識学習の有効性を、具体的には脳腫瘍分類を対象とする実世界の医療画像ベンチマークで検証すること。

提案手法

• 主分類ブランチと臓器境界を検出する専用エッジブランチを備えた二重ブランチネットワークアーキテクチャを導入する。
• 境界予測の誤差をペナルティ化するエッジ認識損失関数を適用し、より鋭く正確な分類マスクを促進する。
• 分類ブランチとエッジブランチの両方からの損失を組み合わせて、ネットワーク全体をエンドツーエンドで学習する。
• マルチスケール特徴を活用して境界表現を強化し、局所化の正確性を向上させる。
• 予測されたエッジマップを補助的監視信号として活用し、最終的な分類出力を精緻化する。

実験結果

リサーチクエスチョン

• RQ1 明示的な臓器境界のモデル化は、深層学習モデルにおける医療画像分類の精度を向上させることができるか？
• RQ2 専用エッジブランチとエッジ認識損失を組み込むことで、挑戦的な医療画像処理タスクにおける分類性能にどのような影響を与えるか？
• RQ3 境界認識アーキテクチャをエンドツーエンドで学習させることで、標準CNNと比較してより優れた一般化性能と境界局所化が達成できるか？

主な発見

• 提案された境界認識ネットワークは、標準の完全畳み込みネットワークと比較して、BraTS 2018データセットでより高い分類精度を達成した。
• エッジブランチとエッジ認識損失関数の統合により、より鋭く解剖学的に妥当な分類境界が得られた。
• 臨床的タスクにおいて腫瘍の正確な輪郭を求める必要がある場合に特に重要な、優れた境界局所化性能を示した。
• 境界認識アーキテクチャのエンドツーエンド学習により、分類とエッジ検出の有効な共同最適化が可能になった。