[論文レビュー] Cascaded Volumetric Convolutional Network for Kidney Tumor Segmentation from CT volumes

Yao Zhang, Yixin Wang+5 more|arXiv (Cornell University)|Oct 5, 2019

Advanced Neural Network Applications参考文献 5被引用数 7

ひとこと要約

本論文は、計算コストとクラス不均衡を低減するための粗い腫瘍定位を用いて、CTボリュームにおける正確な腎臓および腫瘍のセグメンテーションを実現する2段階のカスケード型3次元完全畳み込みネットワークを提案する。その後、空間的プライアーや残差接続を用いた詳細なセグメンテーションが行われる。この手法は、MICCAI 2019 KiTS チャレンジで90.24%のコンposite Diceスコアを達成し、4位となった。

ABSTRACT

Automated segmentation of kidney and tumor from 3D CT scans is necessary for the diagnosis, monitoring, and treatment planning of the disease. In this paper, we describe a two-stage framework for kidney and tumor segmentation based on 3D fully convolutional network (FCN). The first stage preliminarily locate the kidney and cut off the irrelevant background to reduce class imbalance and computation cost. Then the second stage precisely segment the kidney and tumor on the cropped patch. The proposed method ranks the 4th place out of 105 competitive teams in MICCAI 2019 KiTS Challenge with a Composite Dice of 90.24%.

研究の動機と目的

• 3次元CTスキャンからの腎臓および腫瘍セグメンテーションにおける高い計算コストとクラス不均衡の課題に対処すること。
• 予備的な腎臓定位に基づく領域オブインタレスト（ROI）クロッピングにより、背景の干渉を低減することでセグメンテーションの正確性を向上させること。
• 2段階目のセグメンテーションネットワークにおいて、残差接続、ディープサブジディング、および空間的プライアーオンリーを用いてモデル性能を向上させること。
• 関連する解剖学的領域に計算を集中させることで、限られたGPUメモリ上での有効な訓練を可能にすること。
• MICCAI 2019 Kidney Tumor Segmentation Challenge（KiTS 2019）で最先端のパフォーマンスを達成すること。

提案手法

• 2段階のカスケード型フレームワークを採用：1段階目は、インスタンス正規化およびリ leaky ReLU活性化関数を用いた3次元U-Netを用いて粗い腎臓定位を実行する。
• 1段階目の出力を用いて、腎臓を中心にした3次元パッチ（80×160×160）を抽出し、メモリ消費量とクラス不均衡を低減する。
• 2段階目は、残差ブロック、ディープサブジディング、および空間的プライアーオンリー（腎臓マスク）を備えたマルチタスク3次元U-Netを用い、クロップされたパッチ上で腎臓と腫瘍を同時にセグメンテーションする。
• 入力データはパcentileクリッピング（0.05%–99.5%）およびケースごとの標準化により正規化され、トレーニングの安定性と一般化性能の向上が図られる。
• アップサンプリングには転置畳み込みが用いられ、デコード段階での高解像度特徴の保持を目的としたスキップ接続が実装される。
• 1段階目の入力に対して非等方的リサンプリングが適用され、軸方向の解像度をバランスさせ、文脈的特徴学習を向上させる。

実験結果

リサーチクエスチョン

• RQ1 2段階のカスケード型3次元FCNフレームワークは、計算コストを低減しつつ、CTボリュームにおける腎臓および腫瘍のセグメンテーションの正確性を向上させることができるか？
• RQ2 1段階目の腎臓マスクからの空間的プライアーオンリーが、2段階目の腫瘍セグメンテーション性能にどのように寄与するか？
• RQ3 限られたGPUメモリ上での3次元ボリュームセグメンテーションにおいて、残差接続とディープサブジディングがモデル学習をどの程度向上させるか？
• RQ4 粗い定位に基づくROIクロッピングは、クラス不均衡の緩和とトレーニング効率の向上に効果的か？
• RQ5 提案手法は、KiTS 2019チャレンジにおける最先端の2次元および3次元FCNアプローチと比較して、どのように差をつけるか？

主な発見

• 提案手法は、KiTS 2019のオンラインテストセットで90.24%のコンポジットDiceスコアを達成し、105チーム中4位となった。
• 2段階目のモデルにすべての強化（残差ブロック、ディープサブジディング、空間的プライアーオンリー）を適用した場合、バリデーションセットで腎臓Diceが98.05%、腫瘍Diceが83.70%を記録した。
• 1段階目の腎臓マスクからの空間的プライアーオンリーの導入により、ディープサブジディングを備えたベースライン3D U-Netと比較して、腫瘍セグメンテーションのDiceスコアが3.08ポイント向上した。
• 入力のクロッピングにより、元の138×512×512ボリュームと比較して、メモリ消費量が中央値で40×160×160に削減された。
• 1段階目の定位モデルは、テストセットで97.42%の腎臓Diceを達成し、有効なROI抽出を実証した。
• 本手法は解剖学的変異およびクラス不均衡に対して頑健であり、連結成分解析による後処理により誤検出が除去された。