[論文レビュー] CNN-based Segmentation of Medical Imaging Data

Baris Kayalibay, Grady W. Jensen+1 more|arXiv (Cornell University)|Jan 11, 2017

AI in cancer detection参考文献 35被引用数 144

ひとこと要約

論文は、3D CNNベースの分割法を提案し、3Dデータ処理、データ不足、クラス不均衡に対応するためにU-Net風アーキテクチャを適用し、手のMRI骨とBRATS脳腫瘍データセットで評価します。

ABSTRACT

Convolutional neural networks have been applied to a wide variety of computer vision tasks. Recent advances in semantic segmentation have enabled their application to medical image segmentation. While most CNNs use two-dimensional kernels, recent CNN-based publications on medical image segmentation featured three-dimensional kernels, allowing full access to the three-dimensional structure of medical images. Though closely related to semantic segmentation, medical image segmentation includes specific challenges that need to be addressed, such as the scarcity of labelled data, the high class imbalance found in the ground truth and the high memory demand of three-dimensional images. In this work, a CNN-based method with three-dimensional filters is demonstrated and applied to hand and brain MRI. Two modifications to an existing CNN architecture are discussed, along with methods on addressing the aforementioned challenges. While most of the existing literature on medical image segmentation focuses on soft tissue and the major organs, this work is validated on data both from the central nervous system as well as the bones of the hand.

研究の動機と目的

• 医用画像に対して3Dフィルターを用いたCNNベースの分割法を実証する。
• 多重スケールマップや代替的なスキップ接続を含むU-Netのアーキテクチャ変更を検討する。
• 訓練戦略と損失設計を通じて医用画像に内在するデータ不足とクラス不均衡に対処する。
• 手の骨分割とBRATSデータセットの脳腫瘍分割でこのアプローチを検証する。

提案手法

• 収縮パスと拡張パスを持つ完全畳み込み3Dネットワークと長いスキップ接続を用いる。
• 長いスキップ接続戦略を比較する：要素ごとの和と連結。
• 複数スケールで生成された分割マップを組み合わせて収束を速める実験を行う。
• クラス不均衡に対処するため、dice/Jaccard係数に密接に関連する損失で訓練する。
• データ不足を緩和するため、ランダム変換によるデータ拡張を適用する。
• メモリ制約時には大規模3D画像を領域に分割するかダウンサンプリングして処理する。

実験結果

リサーチクエスチョン

• RQ1 3D CNNベースの分割は、手のMRI骨分割とBRATS脳腫瘍分割を比較してどのように性能を示しますか？
• RQ2 長いスキップ接続で要素ごとの和と連結を使用することが分割精度に与える影響はどれくらいですか？
• RQ3 複数スケールからの分割マップを組み合わせることは収束と精度を改善しますか？
• RQ4 dice/Jaccardに着想を得た損失は3D医用画像分割におけるクラス不均衡を効果的に解決できますか？
• RQ5 大規模な医用ボリューム上で3D CNNを訓練・デプロイする際のメモリ制約を乗り越える効果的な戦略は何ですか？

主な発見

• 長いスキップ接続とマルチスケール分割マップを備えた3D CNNは、手とBRATSデータで効果的に訓練できる。
• 長いスキップ接続の要素ごとの和を連結と比較して性能の差を評価する。
• 異なるスケールからの分割マップを組み合わせることで収束が速まり、訓練を補助する。
• 医用画像に典型的な深刻なクラス不均衡に対処するため、dice/Jaccard様の損失が用いられる。
• 訓練はデータ拡張とダウンサンプリング戦略を使用してデータ不足とメモリ要件に対処する。