[論文レビュー] Deep BV: A Fully Automated System for Brain Ventricle Localization and Segmentation in 3D Ultrasound Images of Embryonic Mice

Ziming Qiu, Jack Langerman+6 more|arXiv (Cornell University)|Nov 5, 2018

Fetal and Pediatric Neurological Disorders参考文献 22被引用数 3

ひとこと要約

本論文では、胚性マウスの3次元高周波数超音波（HFU）画像における脳室（BV）の局在化とセグメンテーションを完全に自動化する深層学習システム、Deep BV を提案する。2段階のアプローチを採用し、まず3次元畳み込みニューラルネットワーク（3D-CNN）がスライディングウィンドウ推論を用いてボリューム全体にわたるBVの局在化を実行し、その後、正確なセグメンテーションのために完全畳み込みネットワーク（FCN）を適用する。未学習のテストセットにおいて、Dice類似係数（DSC）は0.8956を達成し、先行研究の最高水準よりも25%高い性能を示した。

ABSTRACT

Volumetric analysis of brain ventricle (BV) structure is a key tool in the study of central nervous system development in embryonic mice. High-frequency ultrasound (HFU) is the only non-invasive, real-time modality available for rapid volumetric imaging of embryos in utero. However, manual segmentation of the BV from HFU volumes is tedious, time-consuming, and requires specialized expertise. In this paper, we propose a novel deep learning based BV segmentation system for whole-body HFU images of mouse embryos. Our fully automated system consists of two modules: localization and segmentation. It first applies a volumetric convolutional neural network on a 3D sliding window over the entire volume to identify a 3D bounding box containing the entire BV. It then employs a fully convolutional network to segment the detected bounding box into BV and background. The system achieves a Dice Similarity Coefficient (DSC) of 0.8956 for BV segmentation on an unseen 111 HFU volume test set surpassing the previous state-of-the-art method (DSC of 0.7119) by a margin of 25%.

研究の動機と目的

• 胚性マウスの3次元高周波数超音波（HFU）画像における脳室のセグメンテーションについて、手作業で行う必要があり、時間がかかり、専門知識を要する課題に対処すること。
• 体内胎児イメージングにおけるBVの局在化とセグメンテーションにおいて、人為的介入を完全に排除する完全自動化システムの開発。
• 3次元HFUボリュームの文脈において、既存の最先端手法を超えるセグメンテーションの正確性の向上。
• 前臨床神経発達研究における脳室発達の高スループットで再現性のあるボリューム解析を可能にすること。

提案手法

• 3次元ボリューム畳み込みニューラルネットワーク（3D-CNN）を、全3次元HFUボリュームにわたるスライディングウィンドウに適用し、脳室を含む3次元バウンディングボックスを検出する。
• 検出されたバウンディングボックスをクロップし、完全畳み込みネットワーク（FCN）に供給して、背景からのBVのピクセル単位のセグメンテーションを実行する。
• アノテーション済みの胚性マウスの3次元HFUボリュームを用いて、セグメンテーションの正確性を最適化した損失関数を用いて、エンドツーエンドで学習する。
• 2段階のパイプラインにより、高解像度のセグメンテーションを局所的な注目領域に限定することで、計算効率を確保する。
• 3次元畳み込みを通じて空間的文脈と階層的特徴学習を活用し、低コントラストな超音波データにおける複雑な解剖的構造を捉える。
• 高周波数超音波イメージングに特徴的な強度変動やノイズに対して、耐性を持つようにアーキテクチャを設計する。

実験結果

リサーチクエスチョン

• RQ1 完全に自動化された深層学習システムは、胚性マウスの3次元高周波数超音波画像における正確な脳室の局在化とセグメンテーションを達成できるか？
• RQ2 提案された2段階の3D-CNNとFCNパイプラインの性能は、既存の最先端手法と比較してどの程度優れているか？
• RQ3 従来のセグメンテーション手法と比較して、このシステムは、評価者間ばらつきと手作業の負担をどの程度低減できるか？
• RQ4 微調整なしで、未学習の3次元HFUボリュームに一般化可能か？
• RQ5 3次元局在化にスライディングウィンドウアプローチを用いることで、セグメンテーションの正確性と計算効率にどのような影響を与えるか？

主な発見

• 提案されたDeep BVシステムは、111個の3次元HFUボリュームからなる未学習のテストセットにおいて、Dice類似係数（DSC）0.8956を達成し、以前の最先端手法（DSC 0.7119）を著しく上回った。
• DSCの向上は、25%の相対的増加を示し、2段階の3D-CNNとFCNアーキテクチャの有効性を裏付けた。
• システムは、手作業の介入なしに、すべての111テストボリュームで脳室を正しく局在化およびセグメンテーションした。これにより、耐障害性と自動化の能力が確認された。
• 3次元スライディングウィンドウによる局在化の活用により、関連する注目領域に限定して高解像度セグメンテーションを実行することで、計算オーバーヘッドが低減された。
• この手法は未学習データへの強い一般化能力を示し、大規模な発達神経イメージング研究への応用可能性を示唆した。
• 結果は、低コントラストでノイズの多い3次元超音波データが胚のイメージングに与える課題を、深層学習が克服できる可能性を裏付けた。