[論文レビュー] Brain Tumor Segmentation Using Deep Learning by Type Specific Sorting of Images

Zahra Sobhaninia, Safiyeh Rezaei+6 more|arXiv (Cornell University)|Sep 20, 2018

Brain Tumor Detection and Classification参考文献 4被引用数 72

ひとこと要約

この論文は深層学習を用いた脳腫瘍セグメンテーションを調査し、単一ネットワークアプローチと多ネットワークのタイプ別画像ソーティング戦略を比較し、複数ネットワークでDiceスコアが高くなることを示している。

ABSTRACT

Recently deep learning has been playing a major role in the field of computer vision. One of its applications is the reduction of human judgment in the diagnosis of diseases. Especially, brain tumor diagnosis requires high accuracy, where minute errors in judgment may lead to disaster. For this reason, brain tumor segmentation is an important challenge for medical purposes. Currently several methods exist for tumor segmentation but they all lack high accuracy. Here we present a solution for brain tumor segmenting by using deep learning. In this work, we studied different angles of brain MR images and applied different networks for segmentation. The effect of using separate networks for segmentation of MR images is evaluated by comparing the results with a single network. Experimental evaluations of the networks show that Dice score of 0.73 is achieved for a single network and 0.79 in obtained for multiple networks.

研究の動機と目的

• 重大な診断エラーの原因となる可能性がある正確な脳腫瘍セグメンテーションを動機づける。
• セグメンテーション性能に対する画像タイプ別ソーティングの影響を評価する。
• MR画像セグメンテーションにおいて、単一ネットワークアプローチとマルチネットワークアプローチを比較する。

提案手法

• 脳MR画像に対して深層学習を適用して腫瘍をセグメンテーションする。
• MR画像の異なる角度/ビューを用いて実験する。
• セグメンテーション用に別々のネットワークを使用する vs. 単一の統合ネットワークを使用する。
• 主指標としてDiceスコアを用いてセグメンテーション性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 異なる画像タイプのために別々のネットワークを使用することは、単一ネットワークと比較してセグメンテーション精度を改善するか？
• RQ2 タイプ別ソーティングを用いたマルチネットワークは、単一ネットワークと比較してどの程度のDiceスコア改善をもたらすか？
• RQ3 セグメンテーション性能に貢献する画像の配向/角度はどれか？
• RQ4 この設定でモデルの複雑さとセグメンテーション精度のトレードオフはあるか？

主な発見

• 単一ネットワークのDiceスコア: 0.73.
• タイプ別ソーティングを備えた複数ネットワーク: Diceスコア 0.79.
• タイプ別ソーティングと多ネットワークの設定は、単一ネットワークよりもセグメンテーション性能を向上させる。