[論文レビュー] Capsule Networks for Brain Tumor Classification based on MRI Images and Course Tumor Boundaries

Parnian Afshar, Konstantinos N. Plataniotis+1 more|arXiv (Cornell University)|Nov 1, 2018

Brain Tumor Detection and Classification被引用数 15

ひとこと要約

本稿では、MRI画像からの脳腫瘍分類を向上させるために、粗い腫瘍境界を追加入力として統合した変更版のキャプセルネット（CapsNet）アーキテクチャを提案する。境界の文脈を活用することで空間的認識を強化し、正確な腫瘍セグメンテーションへの依存を軽減しながら、90.89%の正確性を達成。これは標準のCapsNetやCNNを著しく上回る性能である。

ABSTRACT

According to official statistics, cancer is considered as the second leading cause of human fatalities. Among different types of cancer, brain tumor is seen as one of the deadliest forms due to its aggressive nature, heterogeneous characteristics, and low relative survival rate. Determining the type of brain tumor has significant impact on the treatment choice and patient's survival. Human-centered diagnosis is typically error-prone and unreliable resulting in a recent surge of interest to automatize this process using convolutional neural networks (CNNs). CNNs, however, fail to fully utilize spatial relations, which is particularly harmful for tumor classification, as the relation between the tumor and its surrounding tissue is a critical indicator of the tumor's type. In our recent work, we have incorporated newly developed CapsNets to overcome this shortcoming. CapsNets are, however, highly sensitive to the miscellaneous image background. The paper addresses this gap. The main contribution is to equip CapsNet with access to the tumor surrounding tissues, without distracting it from the main target. A modified CapsNet architecture is, therefore, proposed for brain tumor classification, which takes the tumor coarse boundaries as extra inputs within its pipeline to increase the CapsNet's focus. The proposed approach noticeably outperforms its counterparts.

研究の動機と目的

• 腫瘍と周囲組織との間の空間的関係を捉える能力に欠けるCapsNetの限界を是正すること。これは正確な分類に不可欠である。
• MRI画像における背景のごみに敏感なCapsNetの問題を、粗い腫瘍境界を補助入力として組み込むことで克服すること。
• 臨床現場において時間のかかりやすく、観察者間差が生じやすい正確な腫瘍セグメンテーションの必要性を排除すること。
• 境界に注意を向けるルーティング機構を活用することで、空間的文脈を活かし、既存のCNNおよびCapsNetの変種を上回る分類性能を向上させること。
• 医療診断において信頼性の高い説明可能な予測が不可欠であるため、モデルのロバスト性と解釈可能性を向上させること。

提案手法

• 生画像MRI脳画像と粗い腫瘍境界マスクの二重入力を受けるように変更されたCapsNetアーキテクチャを導入する。
• 下位のキャプセルが上位のキャプセル出力を予測できるように、同意によるルーティング機構を用いることで、関連する空間的特徴への注目を向上させる。
• 連結またはアテンションゲートを用いて境界情報を統合し、ネットワークの注目を腫瘍-組織相互作用に導く。
• 式(7)のキャプセルマージン損失と式(8)の交差エントロピー損失を組み合わせたハイブリッド損失関数を採用し、γ = 0.1で重みを調整して寄与をバランスさせる。
• エポック数50、バッチサイズ16、ルーティング反復回数3回で、Adam最適化アルゴリズムを用いてエンドツーエンドでネットワークを訓練する。
• 3064枚のMRI画像データセットにおける汎化性と学習安定性を向上させるために、データオーグメンテーションおよび正規化技術を適用する。

実験結果

リサーチクエスチョン

• RQ1 粗い腫瘍境界を組み込むことで、CapsNetのMRIスキャンからの脳腫瘍分類性能が向上するか？
• RQ2 提案された境界補強CapsNetは、標準的手法と比較して正確な腫瘍セグメンテーションへの依存を低減するか？
• RQ3 提案されたCapsNetの性能は、標準CapsNetおよびCNNと比較して、正確性とロバスト性の観点でどのように異なるか？
• RQ4 腫瘍境界からの空間的文脈の組み込みが、異なる腫瘍タイプを区別するモデルの能力をどの程度向上させるか？
• RQ5 変更されたCapsNetは、分類正確性を向上させつつも、高い解釈可能性を維持できるか？

主な発見

• 提案されたCapsNetアーキテクチャは、MRI画像と粗い腫瘍境界を入力にした場合、90.89%の分類正確性を達成し、すべてのベースラインモデルを上回った。
• 境界入力を備えた変更版CNN（88.33%正確性）を2.56ポイント上回った。
• セグメンテーション済み腫瘍のみを入力にしたCapsNetは86.56%の正確性を示し、境界の文脈が性能向上に顕著に寄与することが明らかになった。
• 生画像MRI画像のみを入力にした標準CapsNetは78%の正確性にとどまり、腫瘍分類における空間的文脈の重要性が浮き彫りになった。
• 生画像MRI画像のみを入力にしたCNNベースラインは61.97%の正確性にとどまり、提案されたCapsNet設計の優位性が裏付けられた。
• γ = 0.1で調整されたハイブリッド損失関数（式(8)）は、キャプセル損失とソフトマックス損失のバランスを効果的にとらえ、安定かつ正確な学習に貢献した。