[論文レビュー] Brain Tumor Segmentation using 3D-CNNs with Uncertainty Estimation

Laura Mora Ballestar, Verónica Vilaplana|arXiv (Cornell University)|Sep 24, 2020

Brain Tumor Detection and Classification参考文献 18被引用数 13

ひとこと要約

本論文は、テスト時ドロップアウト（エピステミック）とデータ拡張（アレアトリック）を用いたボクセル単位の不確実性推定を統合した3D V-Netベースの脳腫瘍MRI用セマンティックセグメンテーションモデルを提案する。この手法は、特に低信頼度領域の同定において、より高い耐性と信頼性を達成しており、後処理を施した後、BraTS 2020の検証セットでDiceスコアがWTで0.8463、TCで0.7526、ETで0.6179を記録した。一方、不確実性フィルタリング比（FTP）はWTで0.0118と低く抑えられている。

ABSTRACT

Automation of brain tumors in 3D magnetic resonance images (MRIs) is key to assess the diagnostic and treatment of the disease. In recent years, convolutional neural networks (CNNs) have shown improved results in the task. However, high memory consumption is still a problem in 3D-CNNs. Moreover, most methods do not include uncertainty information, which is specially critical in medical diagnosis. This work proposes a 3D encoder-decoder architecture, based on V-Net \cite{vnet} which is trained with patching techniques to reduce memory consumption and decrease the effect of unbalanced data. We also introduce voxel-wise uncertainty, both epistemic and aleatoric using test-time dropout and data-augmentation respectively. Uncertainty maps can provide extra information to expert neurologists, useful for detecting when the model is not confident on the provided segmentation.

研究の動機と目的

• 脳腫瘍セグメンテーションの3D-CNNにおける高メモリ消費と不確実性の定量的評価の欠如に対処する。
• パッチ処理とデータ拡張を用いることで、不均衡でマルチモodalなMRIデータにおけるセグメンテーションの耐性を向上させる。
• 放射線科医が信頼できない予測を特定するのを支援するため、ボクセル単位の不確実性マップ（エピステミックおよびアレアトリック）を提供する。
• 誤検出と腫瘍境界の低信頼度領域の検出を可能にすることで、臨床的信頼性を向上させる。
• 後処理と不確実性を考慮した推論を用いて、BraTS 2020データセットにおけるモデル性能を最適化する。

提案手法

• メモリ使用量の削減のため、特徴マップを低減し、バッチ正規化の代わりにインスタンス正規化を用いたV-Netアーキテクチャの適応。
• 大規模な3D MRIボリュームを処理し、クラスの不均衡を軽減するために、パッチ処理技術を用いてモデルを訓練。
• テスト時ドロップアウト（TTD）を用いてエピステミック不確実性を推定し、推論時に複数回の順方向伝搬の分散を計算。
• データ拡張（例：回転、反転）を用いてアレアトリック不確実性を推定し、拡張された予測のエントロピーを計算。
• BraTSで求められるように、0（最も確実）から100（最も不確実）に正規化された3つの不確実性マップ（WT、TC、ET用）を生成。
• 予測の精緻化と誤検出の低減、特に強化腫瘍（ET）領域において後処理を適用。

実験結果

リサーチクエスチョン

• RQ1 不確実性推定を組み込んだ3D-CNNは、マルチモodalなMRIにおける脳腫瘍セグメンテーションの信頼性を向上させることができるか？
• RQ2 テスト時ドロップアウトは、腫瘍セグメンテーション予測におけるエピステミック不確実性の推定にどのように寄与するか？
• RQ3 データ拡張は、低信頼度領域におけるアレアトリック不確実性推定をどの程度向上させるか？
• RQ4 不確実性マップは、臨床意思決定支援において誤検出や曖昧な腫瘍境界を効果的に強調できるか？
• RQ5 不確実性指標（FTPおよびFTN比）は、BraTS 2020検証セットにおけるセグメンテーション性能とどの程度相関するか？

主な発見

• 後処理を施したV-Netモデルは、BraTS 2020検証セットで全腫瘍（WT）のDiceスコアが0.8463、腫瘍コア（TC）が0.7526、強化腫瘍（ET）が0.6179を達成した。
• ETのハウスドルフ距離は検証セットで顕著に増加した（トレーニング時31.18 mmから検証時49.74 mmに）、ETセグメンテーションにおける高い誤検出率を示している。
• 検証セットではFTP（0.0118）とFTN（0.0027）比が低く抑えられており、真陽性および真陰性予測に対してモデルが信頼していることを示している。
• 不確実性マップは、特に腫瘍境界や誤検出領域の低信頼度領域を明確に強調しており、臨床的レビューを支援している。
• 複数回の不確実性を考慮した順方向伝搬の予測を平均化することで、Diceスコアはわずかに低下したが、不確実性に配慮した耐性が向上した。
• モデルはETセグメンテーションで最も困難を示しており、1つの誤検出ボクセルがDiceスコアを0にし、ハウスドルフ距離を約373 mmまで著しく上昇させる可能性があった。