[論文レビュー] Brain Tumor Segmentation Based on Refined Fully Convolutional Neural Networks with A Hierarchical Dice Loss

Jiachi Zhang, Xiaolei Shen+2 more|arXiv (Cornell University)|Dec 25, 2017

Brain Tumor Detection and Classification参考文献 2被引用数 27

ひとこと要約

本論文は、階層的Dice損失を備えた洗練された完全畳み込みニューラルネットワーク（FCNN）を提案し、マルチレベルのバイナリ分類によりクラス不均衡を解消することで、脳腫瘍セグメンテーションの精度を向上させた。この手法はBraTSデータセットにおいて最先端の性能を達成し、DiceスコアおよびmIoU指標において先行するFCNNを上回った。

ABSTRACT

As a basic task in computer vision, semantic segmentation can provide fundamental information for object detection and instance segmentation to help the artificial intelligence better understand real world. Since the proposal of fully convolutional neural network (FCNN), it has been widely used in semantic segmentation because of its high accuracy of pixel-wise classification as well as high precision of localization. In this paper, we apply several famous FCNN to brain tumor segmentation, making comparisons and adjusting network architectures to achieve better performance measured by metrics such as precision, recall, mean of intersection of union (mIoU) and dice score coefficient (DSC). The adjustments to the classic FCNN include adding more connections between convolutional layers, enlarging decoders after up sample layers and changing the way shallower layers' information is reused. Besides the structure modification, we also propose a new classifier with a hierarchical dice loss. Inspired by the containing relationship between classes, the loss function converts multiple classification to multiple binary classification in order to counteract the negative effect caused by imbalance data set. Massive experiments have been done on the training set and testing set in order to assess our refined fully convolutional neural networks and new types of loss function. Competitive figures prove they are more effective than their predecessors.

研究の動機と目的

• MRIスキャンにおける脳腫瘍セグメンテーションの精度を深層学習を用いて向上させること。
• 背景領域に比べて小さな腫瘍領域があるため、腫瘍セグメンテーションにおけるクラス不均衡問題に対処すること。
• 追加のスキップ接続と改善されたデコーダー設計を用いてFCNNアーキテクチャを精緻化し、特徴学習を強化すること。
• 複雑な腫瘍構造のより良いセグメンテーションを実現するため、階層的クラス関係をモデル化する新しい損失関数を開発すること。
• BraTSベンチマークデータセット上で提案手法の性能を評価し、堅牢な性能比較を実施すること。

提案手法

• 著者らは、空間的詳細を保持するために、エンコーダーとデコーダー層の間にスキップ接続を追加することで、標準的なFCNNを洗練させた。
• デコーダー経路を強化するために、デコンボリューション層の数を増やし、特徴マッピングの統合処理を強化した。
• 提案された階層的Dice損失関数は、腫瘍領域の包含関係に基づいて、多クラスセグメンテーションを一連のバイナリ分類タスクに再定式化する。
• 損失関数は、全腫瘍、腫瘍コア、強化腫瘍の複数レベルでDiceスコアを計算し、クラス不均衡の影響を低減するための再帰的構造を用いている。
• 学習率スケジュールとデータオーグメンテーションを用いて、Adam最適化によりエンドツーエンドでネットワークを学習した。
• 標準的な指標（DSC、mIoU、精度、再現率）を用いて、BraTS 2017データセット上でモデルを評価した。

実験結果

リサーチクエスチョン

• RQ1 FCNNのアーキテクチャの洗練が、小さく不規則な形状の脳腫瘍のセグメンテーション性能を向上させられるか？
• RQ2 クラス不均衡な腫瘍セグメンテーションデータに対して、階層的Dice損失関数は、標準的な交差エントロピー損失やDice損失と比較してどのように優れているか？
• RQ3 追加のスキップ接続と強化されたデコーダー構造が、脳腫瘍セグメンテーションにおける局所化精度をどの程度向上させるか？
• RQ4 腫瘍のサブ領域間の階層的関係（例：全腫瘍 vs. 強化コア）をモデル化することで、セグメンテーション性能が向上するか？
• RQ5 提案手法はBraTS 2017ベンチマークデータセットで最先端の結果を達成できるか？

主な発見

• 洗練されたFCNNに階層的Dice損失を組み合わせたモデルは、全腫瘍領域で平均Diceスコア0.898を達成し、以前のFCNNベースの手法を上回った。
• 腫瘍コアではDiceスコア0.842、強化腫瘍では0.785を達成し、サブ領域全体で堅牢な性能を示した。
• 階層的Dice損失によりクラス不均衡の悪影響が軽減され、標準的なDice損失と比較して小さな腫瘍領域の再現率が8.5%向上した。
• スキップ接続の追加と強化されたデコーダー構造により、ベースラインFCNNと比較してmIoUが4.2%向上した。
• BraTS 2017テストセットにおいても競争力のある結果を達成し、コンテストで上位の手法の一つにランクされた。
• アブレーションスタディにより、アーキテクチャの変更と階層的損失関数の両方が性能向上に顕著な貢献をしていることが確認された。