[論文レビュー] Conditional Adversarial Network for Semantic Segmentation of Brain Tumor

Mina Rezaei, Konstantin Harmuth+5 more|arXiv (Cornell University)|Aug 17, 2017

Generative Adversarial Networks and Image Synthesis参考文献 19被引用数 32

ひとこと要約

本論文は、マルチモodal MRI入力に基づくU-Netジェネレータとマルコフ連鎖ディスクライマナイザーを用いて、MRIスキャンにおけるエンドツーエンド脳腫瘍セマンティックセグメンテーションのための条件付き生成対抗ネットワーク（cGAN）を提案する。この手法は、BraTS 2017の検証セットでDICEスコア0.68、感度0.99、特異度0.98を達成し、限定的で多様性のある医療データにおいても頑健な性能を示している。

ABSTRACT

Automated medical image analysis has a significant value in diagnosis and treatment of lesions. Brain tumors segmentation has a special importance and difficulty due to the difference in appearances and shapes of the different tumor regions in magnetic resonance images. Additionally, the data sets are heterogeneous and usually limited in size in comparison with the computer vision problems. The recently proposed adversarial training has shown promising results in generative image modeling. In this paper, we propose a novel end-to-end trainable architecture for brain tumor semantic segmentation through conditional adversarial training. We exploit conditional Generative Adversarial Network (cGAN) and train a semantic segmentation Convolution Neural Network (CNN) along with an adversarial network that discriminates segmentation maps coming from the ground truth or from the segmentation network for BraTS 2017 segmentation task[15, 4, 2, 3]. We also propose an end-to-end trainable CNN for survival day prediction based on deep learning techniques for BraTS 2017 prediction task [15, 4, 2, 3]. The experimental results demonstrate the superior ability of the proposed approach for both tasks. The proposed model achieves on validation data a DICE score, Sensitivity and Specificity respectively 0.68, 0.99 and 0.98 for the whole tumor, regarding online judgment system.

研究の動機と目的

• 多様性があり、収集プロトコルが異なるMRIデータセットにおける正確な脳腫瘍セグメンテーションの課題に対処すること。
• 敵対的訓練を用いて、小規模な医療画像データセットにおけるセグメンテーションの頑健性を向上させ、過学習を低減すること。
• マルチモーダルMRIおよび臨床データから患者の生存日を予測するためのエンドツーエンドで学習可能なディープラーニングモデルを構築すること。
• セマンティックセグメンテーションに条件付きGANを統合し、腫瘍領域における構造的一致性と境界の正確性を向上させること。
• 脳腫瘍セグメンテーションや膠腫患者における生存予測といった臨床タスクに対して、自動的でスケーラブルかつ一般化可能なソリューションを提供すること。

提案手法

• マルチモーダルMRI入力を用いて、U-Netベースのジェネレータがセマンティックセグメンテーションを実行する条件付きGANフレームワークを採用する。
• 実際のセグメンテーションマップ（正解データ）とジェネレータが出力するマップを区別するため、マルコフ連鎖ディスクライマナイザーを訓練する。
• 患者固有のMRIデータにおいてトレーニングの安定性と一般化性能を向上させるために、ジェネレータにVirtual-BatchNormを適用する。
• データオーグメンテーションとして水平・垂直反転およびリスケーリングを適用し、限られたトレーニングデータにおける過学習を軽減する。
• 2つのストリームを持つ並列CNNアーキテクチャを設計：1つはマルチモーダルMRI特徴、もう1つは臨床データ（年齢、生存日数）を処理し、両者とも[0,1]範囲に正規化する。
• 平均二乗誤差損失関数を用いて生存予測モデルを最適化し、すべてのターゲット変数を[0,1]範囲にマップして一貫性のある学習を実現する。

実験結果

リサーチクエスチョン

• RQ1 条件付きGANは、多様性のあるMRIデータセットにおける脳腫瘍セマンティックセグメンテーションの精度と頑健性を向上させることができるか？
• RQ2 ディスクライマナイザーを用いた敵対的訓練は、ジェネレータの腫瘍境界予測の正確性をどのように向上させるか？
• RQ3 深層学習モデルは、マルチモーダルMRIと臨床データを同時に学習することで、患者の生存日数をどれほど正確に予測できるか？
• RQ4 従来のCNNと比較して、敵対的訓練の統合は、小規模な医療画像データセットにおける過学習をどの程度低減できるか？
• RQ5 提案されたcGANベースのセグメンテーションモデルは、未観測データに一般化可能であり、BraTS 2017のようなベンチマークチャレンジで競争力のある性能を達成できるか？

主な発見

• 提案されたcGANベースのセグメンテーションモデルは、BraTS 2017の検証データにおいて、全腫瘍領域でDICEスコア0.68、感度0.99、特異度0.98を達成した。
• 強化腫瘍（ET）領域においても高い感度（0.99）を示し、造影強化コアの検出能が優れていることが示された。
• 生存日予測に関しては、マルチモーダル入力を用いた並列CNNを用い、検証データで73.1%の精度、テストデータで64.08%の精度を達成した。
• Virtual-BatchNormの使用により、セグメンテーションジェネレータにおけるトレーニングの安定性と患者固有のMRIデータへの一般化性能が向上した。
• トレーニング中に入力データをシャッフルしない場合にモデル性能が最も高かったことから、データに時間的または空間的整合性があることが示唆された。
• バイアスフィールド補正とヒストグラムマッチング正規化を適用することで、モデル学習前の画像品質と一貫性が顕著に向上した。