[論文レビュー] DALS: Deep Active Lesion Segmentation

Ali Hatamizadeh, Assaf Hoogi+5 more|arXiv (Cornell University)|Aug 19, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 8被引用数 1

ひとこと要約

DALSは、マルチスケールエンコーダーデコーダーCNNと改良されたレベルセットアクティブコントゥアモデルを組み合わせた深層アクティブ病変セグメンテーションフレームワークを提案する。この手法は、特に小規模データセットにおいても高精度な病変セグメンテーションを実現する。本手法は、エンドツーエンドで初期化確率マップとACMパラメータを学習し、MRおよびCTスキャンからの多臓器病変データセットにおいて、既存手法を上回る性能を発揮する。

ABSTRACT

Lesion segmentation is an important problem in computer-assisted diagnosis that remains challenging due to the prevalence of low contrast, irregular boundaries that are unamenable to shape priors. We introduce Deep Active Lesion Segmentation (DALS), a fully automated segmentation framework for that leverages the powerful nonlinear feature extraction abilities of fully Convolutional Neural Networks (CNNs) and the precise boundary delineation abilities of Active Contour Models (ACMs). Our DALS framework benefits from an improved level-set ACM formulation with a per-pixel-parameterized energy functional and a novel multiscale encoder-decoder CNN that learns an initialization probability map along with parameter maps for the ACM. We evaluate our lesion segmentation model on a new Multiorgan Lesion Segmentation (MLS) dataset that contains images of various organs, including brain, liver, and lung, across different imaging modalities---MR and CT. Our results demonstrate favorable performance compared to competing methods, especially for small training datasets.

研究の動機と目的

• 低コントラストで境界が不規則な病変のセグメンテーションの課題に対処すること。
• 深層特徴学習とアクティブコントゥアモデルを統合することで、病変セグメンテーションの精度を向上させること。
• 限られたトレーニングデータでも良好な性能を発揮するフレームワークを開発すること。
• 初期化マップとアクティブコントゥアパラメータの共同学習を可能にする統一アーキテクチャを構築すること。
• 多様で多臓器・多モodalな病変セグメンテーションデータセットを用いて性能を評価すること。

提案手法

• 新規のマルチスケールエンコーダーデコーダーCNNを用いて、アクティブコントゥアモデルの初期化確率マップとパラメータマップを同時に予測する。
• 画素ごとのパラメータ化を施した改良されたレベルセット定式化により、微細な境界の明確化を実現する。
• アクティブコントゥアモデルのエネルギー関数を画素ごとにパラメータ化することで、病変の形状に適応する柔軟性を向上させる。
• セグメンテーション精度とコントゥアの忠実度を同時に最適化するジョイント損失関数を用いて、エンドツーエンドで訓練する。
• MRおよびCTスキャンからの脳、肝臓、肺の病変を含む新しいMultiorgan Lesion Segmentation (MLS)データセットを用いてモデルを評価する。
• 深層特徴を活用して強固な特徴抽出を実現し、アクティブコントゥアを用いて高精度な境界の微調整を達成する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースのアクティブコントゥアモデルは、コントラストが低く境界が不規則な病変のセグメンテーション精度を向上させることができるか？
• RQ2 限られたトレーニングデータ下でも、提案されたDALSフレームワークは最先端手法と比較して優れた性能を示すか？
• RQ3 初期化マップとアクティブコントゥアパラメータの共同学習は、セグメンテーション性能の向上に寄与するか？
• RQ4 本フレームワークは、異なる臓器や画像モodal（モダリティ）にわたってどれほど一般化可能か？
• RQ5 レベルセットエネルギー関数の画素ごとのパラメータ化は、境界の精度を向上させるか？

主な発見

• DALSは、Multiorgan Lesion Segmentation (MLS) データセットにおいて、競合手法と比較して優れた性能を発揮した。
• 特に小規模なトレーニングデータセットにおいても、強力な一般化性能とロバストネスを示した。
• CNNベースの特徴学習とアクティブコントゥアモデルの統合により、形状が不規則な病変の境界明確化が向上した。
• エネルギー関数の画素ごとのパラメータ化により、病変境界の局所化精度が向上した。
• 初期化とコントゥアパラメータの共同学習により、より高精度なセグメンテーションが実現した。
• 脳、肝臓、肺の異なる臓器およびMR、CTの異なる画像モダリティにおいて、一貫した性能を示した。