[論文レビュー] Boundary Difference Over Union Loss For Medical Image Segmentation

Fan Sun, Zhiming Luo+1 more|arXiv (Cornell University)|Aug 1, 2023

Radiomics and Machine Learning in Medical Imaging被引用数 5

ひとこと要約

本稿では、境界領域に注目する領域ベースの計算により、医療画像セグメンテーションの精度を向上させる新しい微分可能損失関数である境界差分ユニオン損失（Boundary DoU Loss）を提案する。境界領域の不一致割合を部分的ユニオン集合に対して最小化することで、追加の損失関数やハイパーパrameterチューニングを除き、α以外に設定を必要とせず、ACDCおよびSynapseデータセットで最先端の性能を達成しており、Diceスコアで最大2.30%の向上と境界IoUの顕著な改善を達成している。

ABSTRACT

Medical image segmentation is crucial for clinical diagnosis. However, current losses for medical image segmentation mainly focus on overall segmentation results, with fewer losses proposed to guide boundary segmentation. Those that do exist often need to be used in combination with other losses and produce ineffective results. To address this issue, we have developed a simple and effective loss called the Boundary Difference over Union Loss (Boundary DoU Loss) to guide boundary region segmentation. It is obtained by calculating the ratio of the difference set of prediction and ground truth to the union of the difference set and the partial intersection set. Our loss only relies on region calculation, making it easy to implement and training stable without needing any additional losses. Additionally, we use the target size to adaptively adjust attention applied to the boundary regions. Experimental results using UNet, TransUNet, and Swin-UNet on two datasets (ACDC and Synapse) demonstrate the effectiveness of our proposed loss function. Code is available at https://github.com/sunfan-bvb/BoundaryDoULoss.

研究の動機と目的

• 医療画像セグメンテーションにおいて、境界セグメンテーションを特に最適化する効果的で独立した損失関数の不足に対処すること。
• 補助損失関数や複雑なアーキテクチャに依存せずに、境界領域に直接的に注目する微分可能な損失関数を開発すること。
• 標的サイズに基づくアテンションの適応により、小形または不規則な形状の臓器に対して特に困難な境界領域のセグメンテーション性能を向上させること。
• 距離ベースや微分不能な演算を避ける領域ベースの計算により、訓練の安定性と実装の容易さを確保すること。
• UNet、TransUNet、Swin-UNetといった多様なモデルとACDC、Synapseといった多様なデータセットで、唯一提案された損失関数を使用して一貫した性能向上を示すこと。

提案手法

• 画像対角線の0.5%に相当する固定幅のエロージョン操作により境界領域を定義し、正解マスクと予測マスクの内側境界を近似する。
• 境界DoU損失を、対称差集合（G ∪ P − G ∩ P）を部分的ユニオン集合（G ∪ P − α·G ∩ P）で割った比率として定式化する。ここでα < 1は、共通領域への影響を制御する。
• αを標的サイズに応じて適応的に変化させる学習可能なハイパーパrameterとし、小形標的では境界領域への注目度をサイズに応じたスケーリングで高める。
• エロージョンなどの微分不能な演算を損失計算で避けることで微分可能性を確保し、エンドツーエンドのバックプロパゲーションを可能にする。
• 追加の損失成分や複雑なスケジューリングを必要とせず、標準的な訓練パイプラインに直接統合可能である。
• ユニオン、インターセクション、減算といった標準的なテンソル演算を用いて実装し、PyTorchやその他のディープラーニングフレームワークへの容易なデプロイを実現する。

実験結果

リサーチクエスチョン

• RQ1 補助損失関数に依存せずに、微分可能で領域ベースの損失関数が、医療画像セグメンテーションにおける境界セグメンテーションを効果的に改善できるか。
• RQ2 提案された境界DoU損失は、標準損失（例：Dice、CE、Tversky）と比較して、境界の整合性と全体的なセグメンテーション品質においてどのように優れているか。
• RQ3 標的サイズに基づくアダプティブアテンションが、小形または複雑な形状の解剖学的構造における性能向上にどの程度寄与するか。
• RQ4 境界DoU損失は、多様なデータセットとモデルアーキテクチャにおいて、大形標的および小形標的の両方で性能を向上させるか。
• RQ5 境界IoUにおいて一貫した向上を達成できるか。同時に、DiceスコアやHausdorff距離といった標準指標の維持または向上も達成できるか。

主な発見

• Synapseデータセットでは、UNet、TransUNet、Swin-UNetの各モデルで、Dice損失に対してそれぞれ2.30%、1.20%、1.89%のDiceスコア向上を達成した。
• 境界DoU損失は、ACDCおよびSynapseデータセットの両方で最高の境界IoUスコアを達成し、境界整合性最適化の有効性を確認した。
• ACDCデータセットでは、UNet、TransUNet、Swin-UNetの各モデルで、ベースラインのDice損失に対してそれぞれ0.62%、0.60%、0.85%のDiceスコア向上を達成した。
• 定性的な結果では、膵臓や胃などの複雑な臓器における境界局在の優位性が確認され、右心室や心筋などの小形または環状構造における過小または誤分類の減少も観察された。
• C/S比で測定したところ、すべての標的サイズで一貫した性能向上が確認され、大形標的および小形標的の両方で顕著な改善が得られた。
• 本手法は安定した訓練を達成し、追加の損失成分や学習率スケジューリングを必要としなかった。これは、境界損失（13）など、既存の境界損失とは異なり、重み付き組み合わせの緩和が必要な場合が多いことと対照的である。