[論文レビュー] CS2-Net: Deep Learning Segmentation of Curvilinear Structures in Medical Imaging

Lei Mou, Yitian Zhao+10 more|arXiv (Cornell University)|Oct 15, 2020

Retinal Imaging and Analysis参考文献 69被引用数 36

ひとこと要約

CS2-Net は、複数の医用画像モダリティにわたる曲線状構造をセグメント化するための、デュアル自己注意（チャネルと空間）と境界認識畳み込みを備えた統一的な2D/3D深層学習モデルであり、9つのデータセットで最先端の結果を達成します。

ABSTRACT

Automated detection of curvilinear structures, e.g., blood vessels or nerve fibres, from medical and biomedical images is a crucial early step in automatic image interpretation associated to the management of many diseases. Precise measurement of the morphological changes of these curvilinear organ structures informs clinicians for understanding the mechanism, diagnosis, and treatment of e.g. cardiovascular, kidney, eye, lung, and neurological conditions. In this work, we propose a generic and unified convolution neural network for the segmentation of curvilinear structures and illustrate in several 2D/3D medical imaging modalities. We introduce a new curvilinear structure segmentation network (CS2-Net), which includes a self-attention mechanism in the encoder and decoder to learn rich hierarchical representations of curvilinear structures. Two types of attention modules - spatial attention and channel attention - are utilized to enhance the inter-class discrimination and intra-class responsiveness, to further integrate local features with their global dependencies and normalization, adaptively. Furthermore, to facilitate the segmentation of curvilinear structures in medical images, we employ a 1x3 and a 3x1 convolutional kernel to capture boundary features. ...

研究の動機と目的

• 多様な医用画像モダリティにわたり、曲線状構造（例：血管、神経線維）のセグメンテーションを自動化する。
• 2Dと3Dのデータの両方を扱える統一型のエンコーダ−デコーダネットワークを開発する。
• チャネルおよび空間注意を組み込み、豊かな階層表現と長距離依存を学習する。
• 特化した1x3および3x1の畳み込みで境界特徴の捕捉を強化し、注意機構を3Dに拡張する。
• 複数のデータセットにおいて、最先端手法に対する頑健な性能を示す。

提案手法

• エンコーダ−デコーダを backbone とし、Skip 連結を備えた4つのResNetベースのブロックを含む CS2-Net を提案する。
• CSAM（Channel and Spatial Attention Module）を導入。これは2D/3Dスペーシャルアテンションブロック(SAB)とチャネルアテンションブロック(CAB)から成り、アテンション対応の特徴を生み出す。
• 曲線境界をよりよく捉えるための境界志向畳み込み（2Dでは1x3および3x1、3D対応は拡張）を実装。
• スライス間の深さ情報を統合するために注意機構を3Dに拡張。
• 加重クロスエントロピーとDice係数を組み合わせた損失を使用（L = alpha*LWCE + (1-alpha)*LDice、alpha = 0.6）。
• 幅・高さ・深さの関係をモデル化する追加の方向畳込み（例：1x1x3）を組み込むことで、3D用CSAMに適応。

実験結果

リサーチクエスチョン

• RQ1 CS2-Net は、複数のモダリティにわたる2Dおよび3Dの医用画像で、曲線状構造を効果的にセグメンテーションできるか？
• RQ2 チャネルおよび空間注意機構は、曲線状構造と背景の識別を改善し、これらの構造における長距離依存を捉えるのに有効か？
• RQ3 境界志向の畳み込みを組み込み、注意を3Dに拡張することは、データセット全体でセグメンテーション性能を向上させるか？
• RQ4 CS2-Net は9つの多様なデータセットで、最先端手法とどのように比較されるか？

主な発見

• CS2-Net は、多様な生体医用画像モダリティにわたる曲線状構造の検出で総合的に最先端の性能を達成する。
• このフレームワークは6つの2Dデータセットと3つの3Dデータセットで検証され、画像タイプを跨る汎用性を示している。
• デュアル注意（チャネルと空間）は、曲線状構造の特徴識別とグローバルな文脈モデリングを強化する。
• 境界認識畳み込みは、細く長い構造に不可欠なエッジ情報の捕捉を助ける。
• Skip connections を備えた統一的な2D/3Dアーキテクチャと原理的な損失が、セグメンテーションの頑健性を向上させる。