[論文レビュー] Brain Tumor Segmentation with Special Emphasis on the Non-Enhancing Brain Tumor Compartment

T. Schaffer, A. Brawanski+3 more|arXiv (Cornell University)|Feb 25, 2026

Brain Tumor Detection and Classification被引用数 0

ひとこと要約

本論文は、NET 区画を明示的に含む脳腫瘍セグメンテーションのための Upscaling PAU-Net を提案し、BraTS 2018/2021 で競争的な Dice スコアを達成するとともに、4ラベル（ET, ED, NCR, NET）および NET を含む4ラベル拡張を実現する。

ABSTRACT

A U-Net based deep learning architecture is designed to segment brain tumors as they appear on various MRI modalities. Special emphasis is lent to the non-enhancing tumor compartment. The latter has not been considered anymore in recent brain tumor segmentation challenges like the MICCAI challenges. However, it is considered to be indicative of the survival time of the patient as well as of areas of further tumor growth. Hence it deems essential to have means to automatically delineate its extension within the tumor.

研究の動機と目的

• 全の4つの腫瘍区画の正確なセグメンテーションを動機付け、特に非強調腫瘍（NET）領域を強調する。
• 高解像度のアップスケーリング U-Net variant（PAU-Net）を開発し、NET の描写を改善する。
• 性能と過剰適合のバランスを取るため、複数の残差フィルターブロックのアーキテクチャとアップスケーリングデコーダを評価する。
• トレーニング済 NET 推定モデルと形態学的フィルタリングを活用して BraTS データセットから NET 区画を抽出する。
• 統一された 4 ラベル BraTS データセット（NCR/ED/NET/ET）を作成し、BraTS チャレンジ間でセグメンテーション性能を評価する。

提案手法

• 4 つの解像度レベルを持つ 3D U-Net 風のエンコーダ-デコーダアーキテクチャを採用。
• 4 つの基本残差フィルターブロック変種（オリジナル、ResNet風、プレアクティベーション、プレアクティベーションとポストアクティベーション差異）を試す。
• 高解像度デコーダーブランチを追加してセグメンテーションマスクを2倍解像度で出力するアップスケーリング PAU-Net を開発。
• グラウンドトゥルース NET マスクをアップスケールし、ソフト Dice ロスで学習させる；Dice-Sørensen、IoU、Hausdorff Distance で評価する。
• BraTS 2018 の NET 抽出のため、BraTS 2021 で訓練された PAU-Net を用いて NCR/NET を分解し、NET を予測し、結果マスクを形態学的フィルタリングでクリーンにする。
• 統一された BraTS 2018/2021 データセットを 4 ラベル方式（ET, TC, WT, NET）に拡張し、 cropped 入力（4 × 96 × 192 × 160）で 4 ラベル PAU-Net を学習させる。

Figure 1: Different types of residual filter blocks. Each type can be used in the above U-Net architecture

実験結果

リサーチクエスチョン

• RQ1 高解像度の PAU-Net は脳 MRI における NET 区画を効果的にセグメントできるのか？
• RQ2 残差フィルターブロック変種とアップスケーリングデコーダは、標準的な U-Net ベースラインと比較して ET、TC、WT、NET 区画のセグメンテーション性能を改善するのか？
• RQ3 NET 予測モデルと形態学的フィルタリングを用いて、NET ラベルを欠く BraTS データセットから NET マスクを導出することは可能か？
• RQ4 統一された4ラベル BraTS データセットを用いた場合の BraTS 2018 と BraTS 2021 の Dice スコアの比較はどうなるのか？
• RQ5 4 レベル（5 レベルではなく） PAU-Net は テストデータへの一般化性が高く、訓練時の性能を維持できるのか？

主な発見

モデル	データセット	ET Dice	TC Dice	WT Dice	Mean Dice
5-level PAU-Net	BraTS 2018 train	0.7162	0.8803	0.9117	0.8361
4-level PAU-Net	BraTS 2018 train	0.7179	0.8646	0.9010	0.8278
5-level PAU-Net	BraTS 2018 test	0.7842	0.8125	0.8913	0.8293
4-level PAU-Net	BraTS 2018 test	0.7802	0.8230	0.8912	0.8315
5-level PAU-Net	BraTS 2021 train	0.8524	0.9140	0.9282	0.8982
4-level PAU-Net	BraTS 2021 train	0.8566	0.9121	0.9232	0.8973
5-level PAU-Net	BraTS 2021 test	0.8357	0.8798	0.9157	0.8771
4-level PAU-Net	BraTS 2021 test	0.8464	0.8841	0.9186	0.8830

• 4 レベルのアップスケーリング PAU-Net は一般に BraTS 2021 のテストデータで 5 レベル変種を上回る傾向があり、BraTS 2018 のテストデータでも競争力のある結果を示した。
• BraTS 2018 の訓練/テストでは、ET: 0.7179/0.7802、TC: 0.8646/0.8230、WT: 0.9010/0.8912（4 レベルモデルはしばしば 5 レベルと同等または優れている）。
• BraTS 2021 の訓練/テストでは、ET: 0.8566/0.8464、TC: 0.9121/0.8841、WT: 0.9232/0.9186（4 レベルモデルはテストでやや優れることが多い）。
• データセット全体の平均 Dice はテストシナリオで 4 レベル PAU-Net を優遇（例：BraTS 2021 テスト平均 0.8830 は 4 レベル、0.8771 は 5 レベル）。
• BraTS 2018 から NET を抽出するには、BraTS 2021 訓練済 NET predictor を用いて NCR マスクを分解し、形態学的フィルタリングで結果を清浄化した。
• 統一された 4 ラベル BraTS 2018/2021 データセット（NCR, ED, NET, ET）を作成し、 cropped 入力サイズで 4 ラベル PAU-Net を訓練して、各区画の Dice スコアを得た。

Figure 2: Two variants of the new up-scaling PAU-Net.