[論文レビュー] Cascaded multitask U-Net using topological loss for vessel segmentation and centerline extraction

Pierre Rougé, Nicolas Passat+1 more|arXiv (Cornell University)|Jul 21, 2023

Cerebrovascular and Carotid Artery Diseases被引用数 6

ひとこと要約

本稿では、微分可能なソフトスケルトンアルゴリズムの代わりに、学習可能なU-Netベースのスケルトン化器を用いた段階的マルチタスクU-Netを提案し、clDice損失を計算することで、3次元血管画像のセグメンテーションにおけるトポロジー制約の学習を可能にした。この手法は、特に血管の接続性および中心線トポロジーの維持において顕著な向上を示し、3次元TOF MRAデータにおいてベースラインを上回った。

ABSTRACT

Vessel segmentation and centerline extraction are two crucial preliminary tasks for many computer-aided diagnosis tools dealing with vascular diseases. Recently, deep-learning based methods have been widely applied to these tasks. However, classic deep-learning approaches struggle to capture the complex geometry and specific topology of vascular networks, which is of the utmost importance in most applications. To overcome these limitations, the clDice loss, a topological loss that focuses on the vessel centerlines, has been recently proposed. This loss requires computing, with a proposed soft-skeleton algorithm, the skeletons of both the ground truth and the predicted segmentation. However, the soft-skeleton algorithm provides suboptimal results on 3D images, which makes the clDice hardly suitable on 3D images. In this paper, we propose to replace the soft-skeleton algorithm by a U-Net which computes the vascular skeleton directly from the segmentation. We show that our method provides more accurate skeletons than the soft-skeleton algorithm. We then build upon this network a cascaded U-Net trained with the clDice loss to embed topological constraints during the segmentation. The resulting model is able to predict both the vessel segmentation and centerlines with a more accurate topology.

研究の動機と目的

• 低解像度でノイズの多いヒト血管データにおける、トポロジカルに正確な3次元血管セグメンテーションの課題に対処すること。
• 3次元におけるソフトスケルトンアルゴリズムの限界を克服し、不適切なスケルトンを生成し、効果的なclDice損失の計算を妨げる問題を解消すること。
• マルチタスクU-Netアーキテクチャの一部として微分可能なスケルトン化ネットワークを学習することで、セグメンテーションにおける血管トポロジーの保存を向上させること。
• clDice損失を用いて、血管ボリュームと中心線を同時に予測するエンドツーエンドのトレーニングが可能なセグメンテーションモデルを実現すること。

提案手法

• 微分可能なソフトスケルトンアルゴリズムの代わりに、予測されたセグメンテーションからスケルトン化を学習する専用のU-Netを導入し、3次元におけるスケルトンの正確性を向上させた。
• スケルトン化U-Netを、統合する前に、正解セグメンテーション上で事前に独立して学習した。
• 最初のネットワークから予測されたスケルトンを入力として用いることで、clDice損失を計算するセグメンテーションヘッドを備えた段階的U-Netを構築した。
• clDiceとDice損失の重み付き組み合わせを最適化し、ハイパーパrameter λ₁ = 0.25 および λ₂ = 0.25 を用い、スケルトン化ネットワークの重みは固定した。
• 中心線類似度に注目するclDice指標を主損失として用い、トレーニング中にトポロジカルな正しさを強制した。
• 3次元時間飛行MRAデータに本手法を適用し、DSC、clDice、精度、感度、トポロジカルエラーなどの指標で性能を評価した。

Figure 1: The baseline U-Net architecture used in the proposed approach (see Section 2.2 ). The output of this network is either the vascular segmentation (as shown here) or the vascular skeleton, depending on the chosen task.

実験結果

リサーチクエスチョン

• RQ1 学習可能なU-Netベースのスケルトン化器は、3次元医用画像においてソフトスケルトンアルゴリズムよりもより正確なスケルトンを生成できるか？
• RQ2 ソフトスケルトンを学習可能なスケルトン化器に置き換えることで、3次元TOF MRAにおける血管セグメンテーションのトポロジカル品質が向上するか？
• RQ3 clDice損失を用いて学習済みスケルトン化器を統合した段階的マルチタスクU-Netは、ベースラインと比較して、より優れたセグメンテーションおよび中心線の正確性を達成できるか？
• RQ4 本手法は、標準的なU-NetおよびソフトスケルトンベースのclDiceを用いたU-Netと比較して、トポロジカルエラーと接続性の保持において優れているか？

主な発見

• 学習済みU-Netスケルトン化器は、ソフトスケルトンアルゴリズムよりも顕著に正確なスケルトンを生成した。全トポロジカル指標（χエラー、β₀、β₁、スケルトン化エラー）についてp値 < 0.001であった。
• 段階的マルチタスクU-Netは、U-Net（Dice）ベースライン（0.495 ± 0.187）と比較して、χエラーが24.3%相対的に低減（0.379 ± 0.186）し、p < 0.001であった。
• U-Net（Dice+clDice）ベースライン（0.212 ± 0.137）と比較して、β₁エラーは有意に改善（0.170 ± 0.104）し、p = 0.02であった。
• DSCおよびclDiceスコアは類似していたが、本手法は感度（0.746 ± 0.040）が高く、偽陰性が減少しており、接続された血管構造の検出が向上していることが示された。
• 図3の定性的な結果から、本手法は遠位部の血管分岐をより効果的に再接続しており、トポロジーの保持がベースラインよりも優れていた。
• 精度はわずかに低いものの、U-Net（Dice+clDice）ベースラインよりもトポロジカル指標で優れており、境界精度よりも接続性を重視するトレードオフが成立していた。

Figure 2: Architecture of the proposed cascaded U-Net (see Section 2.2 ).