[論文レビュー] Cutting-edge 3D Medical Image Segmentation Methods in 2020: Are Happy Families All Alike?

Jun Ma|arXiv (Cornell University)|Jan 1, 2021

Medical Imaging and Analysis参考文献 63被引用数 14

ひとこと要約

この論文は、2020年の国際コンテストにおける上位10件の3次元医療画像セグメンテーション手法をレビューし、最先端のパフォーマンスを支える共通の『幸せな家族』的実践——U-Netベースのアーキテクチャ、データオーグメンテーション、モデルアンサンブル——を特定している。効率性、一般化、長尾セグメンテーションにおける主な課題を強調し、継続的な研究リファレンスとして最新の手法を公開するGitHubリポジトリを維持している。

ABSTRACT

Segmentation is one of the most important and popular tasks in medical image analysis, which plays a critical role in disease diagnosis, surgical planning, and prognosis evaluation. During the past five years, on the one hand, thousands of medical image segmentation methods have been proposed for various organs and lesions in different medical images, which become more and more challenging to fairly compare different methods. On the other hand, international segmentation challenges can provide a transparent platform to fairly evaluate and compare different methods. In this paper, we present a comprehensive review of the top methods in ten 3D medical image segmentation challenges during 2020, covering a variety of tasks and datasets. We also identify the "happy-families" practices in the cutting-edge segmentation methods, which are useful for developing powerful segmentation approaches. Finally, we discuss open research problems that should be addressed in the future. We also maintain a list of cutting-edge segmentation methods at \url{https://github.com/JunMa11/SOTA-MedSeg}.

研究の動機と目的

• MICCAI 2020で開催された10の国際コンテストにおける、上位の3次元医療画像セグメンテーション手法を包括的にレビューすること。
• 最先端モデルに共通する方法論的パターン——『幸せな家族』的実践——を同定し、今後の手法開発の指針とすること。
• モデルの効率性、医療機関間での一般化、セグメンテーションタスクにおける極端なクラス不均衡といった未解決の課題を浮き彫りにすること。
• コミュニティのリファレンスとして、継続的に更新される最新のセグメンテーション手法の公開リポジトリ（https://github.com/JunMa11/SOTA-MedSeg）を維持すること。

提案手法

• 本研究は、CT、MR、PET、マルチモodal画像を含む10の3次元医療画像セグメンテーションコンテストの上位解法を分析している。
• 優勝手法に共通して採用されている要素——U-Netベースのアーキテクチャ、マルチスケール特徴抽出、高度なデータオーグメンテーション戦略——を同定・分類している。
• 上位パフォーマンスを示したモデルで用いられたトレーニングプロトコル、推論戦略、後処理技術の評価を含む。
• モデルアンサンブルがパフォーマンス向上に与える影響を評価し、計算コストとリソース要件の高さに言及している。
• さまざまなデータセットにおいて、Dice類似係数（DSC）やハウスドルフ距離（HD）といった損失関数と指標の影響を評価している。
• 研究結果をまとめ、最新の医療画像セグメンテーション手法を追跡・共有できる公開GitHubリポジトリにまとめている。

実験結果

リサーチクエスチョン

• RQ1 2020年のコンテストにおける上位パフォーマンスを示す3次元医療画像セグメンテーションモデルに、一貫して見られる共通の方法論的要素は何か？
• RQ2 データの多様性とマルチセンターでの検証は、異なる臨床環境におけるモデルの一般化にどのように影響するか？
• RQ3 モデルアンサンブルはどの程度パフォーマンスを向上させるか？ 一方で、推論効率とリソース使用量の観点から、どのようなトレードオフが生じるか？
• RQ4 平均ボリュームがたった238ボクセルの例え、頭蓋内動脈瘤のような極めて小さなまたは希少な構造をセグメンテーションする際の主な課題は何か？
• RQ5 深層学習に基づく医療画像セグメンテーションにおいて、一般化、耐性、データ効率の観点から、理論的・実践的ギャップとして残っている主な問題は何か？

主な発見

• 10の2020年コンテストにおける上位パフォーマンスを示す手法は、主に3次元コンテキストモデリングとスキップ接続を改善したU-Netベースのアーキテクチャを採用している。
• ほぼすべての上位解法でモデルアンサンブルが使用されており、パフォーマンスを顕著に向上させたが、計算リソースの高額な要求と推論時間の増加というコストを伴った。
• nnU-Netフレームワークは主要なベースラインとして浮上し、33/53のタスクで最先端の結果を達成した。これは自動設定と高い頑健性のおかげである。
• 一部のコンテストではDSCスコアが高く出たが、未学習の施設では顕著にパフォーマンスが低下しており、異なるスキャナーメーカーや施設間での一般化が不十分であることが示された。
• 極度に不均衡なケース——ADAMコンテストではターゲットの中央値が238ボクセルという極めて小さなサイズ——では、上位手法でもDSCは0.41にとどまり、希少構造のセグメンテーションにおける継続的な課題が浮き彫りになった。
• 本研究では、現在のセグメンテーションネットワークの理論的基盤が弱く、一般化、損失関数の形状、データ効率に関する未解決の問いが多く残っていると特定した。