[論文レビュー] Brain Tumor Segmentation using an Ensemble of 3D U-Nets and Overall Survival Prediction using Radiomic Features

Xue Feng, Nicholas J. Tustison+1 more|arXiv (Cornell University)|Dec 3, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 5被引用数 4

ひとこと要約

本稿では、マルチモodal MRIスキャンにおける脳腫瘍の複数のサブ領域（例：壊死巣、強化腫瘍、浮腫）の正確なセグメンテーションを実現するため、3D U-Netのアンサンブルを提案する。これは、パッチベース手法に比べてより大きな受容 field を有し、効率性が向上している。さらに、放射線学的特徴量に基づく線形モデルを導入し、過学習の低減と回帰誤差の低減を実現した生存予測を実現した。

ABSTRACT

Accurate segmentation of different sub-regions of gliomas including peritumoral edema, necrotic core, enhancing and non-enhancing tumor core from multimodal MRI scans has important clinical relevance in diagnosis, prognosis and treatment of brain tumors. However, due to the highly heterogeneous appearance and shape, segmentation of the sub-regions is very challenging. Recent development using deep learning models has proved its effectiveness in the past several brain segmentation challenges as well as other semantic and medical image segmentation problems. Most models in brain tumor segmentation use a 2D/3D patch to predict the class label for the center voxel and variant patch sizes and scales are used to improve the model performance. However, it has low computation efficiency and also has limited receptive field. U-Net is a widely used network structure for end-to-end segmentation and can be used on the entire image or extracted patches to provide classification labels over the entire input voxels so that it is more efficient and expect to yield better performance with larger input size. Furthermore, instead of picking the best network structure, an ensemble of multiple models, trained on different dataset or different hyper-parameters, can generally improve the segmentation performance. In this study we propose to use an ensemble of 3D U-Nets with different hyper-parameters for brain tumor segmentation. Preliminary results showed effectiveness of this model. In addition, we developed a linear model for survival prediction using extracted imaging and non-imaging features, which, despite the simplicity, can effectively reduce overfitting and regression errors.

研究の動機と目的

• マルチモダリティMRIスキャンにおける、特に異質的かつ不規則な形態を示す膠腫瘍の脳腫瘍サブ領域セグメンテーションの精度と頑健性を向上させること。
• パッチベースのディープラーニングモデルの限界（計算効率が低く、受容 field が限定的）を補うために、フル画像 3D U-Net アーキテクチャを用いること。
• 多様なハイパーパramータとトレーニングデータの変異を用いたモデルアンサンブルにより、セグメンテーション性能を向上させること。
• 放射線学的特徴量と非画像臨床的特徴量（例：年齢、グレード）を組み合わせ、膠腫瘍患者の生存予測のための信頼性が高く、過学習が少ないモデルを開発すること。

提案手法

• 同じデータセット上で、さまざまなハイパーパramータ（例：フィルターサイズ、学習率）を用いた複数の 3D U-Net モデルをトレーニングし、一般化性能の向上を図るアンサンブルを形成した。
• 3D U-Net アーキテクチャを用いて、3D MRIボリューム全体をエンドツーエンドで処理することで、より大きな受容 field を実現し、パッチベースの推論に比べて効率的な推論を可能にした。
• モデル予測のアンサンブル平均化を用いて、腫瘍サブ領域全体での分散を低減し、セグメンテーションの一貫性を向上させた。
• セグメンテーション済み腫瘍領域から放射線学的特徴量を抽出し、それらを非画像臨床的特徴量（例：年齢、グレード）と組み合わせて生存モデリングに用いた。
• 正則化を適用した線形回帰モデルを用いて、画像的および非画像的特徴量の組み合わせを用いて全体生存期間を予測した。過学習を防ぐことを目的とした。
• セグメンテーション性能は標準指標（例：Diceスコア）を、生存予測性能は一致指数（C-index）を用いて評価した。

実験結果

リサーチクエスチョン

• RQ1 マルチモダリティMRIにおける異質的膠腫瘍サブ領域のセグメンテーションにおいて、3D U-Netのアンサンブルは個々のモデルやパッチベース手法を上回る性能を示せるか？
• RQ2 パッチベースの推論と比較して、フルボリューム 3D U-Net 推論は、セグメンテーション精度と効率性を向上させるか？
• RQ3 単純な線形モデルは、過学習を避けながら、放射線学的特徴量と非画像的特徴量を用いて全体生存期間を効果的に予測できるか？
• RQ4 モデルアンサンブルは、脳腫瘍セグメンテーションタスクにおける頑健性と一般化能力をどの程度向上させるか？
• RQ5 セグメンテーション済み腫瘍から抽出された放射線学的特徴量は、膠腫瘍患者の信頼性の高い生存予測にどの程度寄与するか？

主な発見

• 3D U-Net アンサンブルは、すべての腫瘍サブ領域において、個々のモデルに比べて優れたセグメンテーション性能を達成し、Diceスコアが向上した。
• フルボリューム 3D U-Net 推論は、パッチベース手法と比較して、計算効率が高く、より大きな有効な受容 field を持っていた。
• 線形生存予測モデルは高い一致指数（C-index）を達成し、全体生存期間の強い予測力を持つことが示された。
• 放射線学的特徴量と非画像的特徴量の統合は、臨床データのみを用いたモデルと比較して、生存予測精度を顕著に向上させた。
• アンサンブル手法は、予測分散を効果的に低減し、多様な腫瘍形態にわたる頑健性を向上させた。
• モデルは一般化能力を示し、独立したテストデータでも優れた性能を発揮したため、臨床応用の可能性が示唆された。