[論文レビュー] Deep ICE: A Deep learning approach for MRI Intracranial Cavity Extraction

José V. Manjón, José E. Romero+5 more|arXiv (Cornell University)|Jan 16, 2020

Medical Image Segmentation Techniques参考文献 23被引用数 6

ひとこと要約

Deep ICEは、MRIスキャンにおける頭蓋内腔の正確で効率的なセグメンテーションを実現するため、新しいパッチベースの学習戦略を有する3次元畳み込みニューラルネットワークを提案する。この手法は、限られたトレーニングデータやGPUメモリ制限下でも、計算負荷を低減しつつ最先端の性能を達成する。

ABSTRACT

Automatic methods for measuring normalized regional brain volumes from MRI data are a key tool to help in the objective diagnostic and follow-up of many neurological diseases. To estimate such regional brain volumes, the intracranial cavity volume is commonly used for normalization. In this paper, we present an accurate and efficient approach to automatically segment the intracranial cavity using a volumetric 3D convolutional neural network and a new 3D patch extraction strategy specially adapted to deal with the traditional low number of training cases available in supervised segmentation and the memory limitations of modern GPUs. The proposed method is compared with recent state-of-the-art methods and the results show an excellent accuracy and improved performance in terms of computational burden.

研究の動機と目的

• T1強調MRIスキャンにおける頭蓋内腔セグメンテーションの自動的で正確かつ効率的な手法の開発を目的とする。
• 3次元ディープラーニングを用いた医療画像セグメンテーションにおける、限られたトレーニングデータとGPUメモリ制限の課題に対処することを目的とする。
• 神経疾患の診断およびモニタリングにおける領域的脳容量測定の正規化精度の向上を目的とする。
• 従来の最先端手法を上回るセグメンテーション精度と計算効率を達成することを目的とする。

提案手法

• 頭蓋内腔のボリュメトリックセグメンテーションに、3次元U-Netに類似した畳み込みニューラルネットワークを採用する。
• 小規模データセットにおける学習効率とモデル一般化性能を最大化するため、新しい3次元パッチ抽出戦略を導入する。
• データ拡張およびパッチサンプリング技術を用いて、メモリ負荷を増加させることなく多様なトレーニングサンプルをシミュレートする。
• Adam最適化を用いて最適化されるバイナリクロスエントロピー損失関数を用いて、エンドツーエンドでネットワークを学習する。
• 空間的一致性を保証するため、重複するパッチを用いたスライディングウィンドウ推論を実行する。
• 空間的およびメモリ効率の良いパッチ処理により、モデル推論を高速化し、GPUメモリ使用量を削減する。

実験結果

リサーチクエスチョン

• RQ1 限られたトレーニングデータで、3次元ディープラーニングモデルが頭蓋内腔に対して高いセグメンテーション精度を達成できるか？
• RQ2 提案されたパッチベースの学習戦略は、GPUメモリ制限下でモデル性能をどのように向上させるか？
• RQ3 本手法は、精度と計算効率の両面で、既存の最先端手法を上回るか？
• RQ4 本手法は、多様なMRI撮影プロトコルおよびスキャナータイプに一般化可能か？
• RQ5 パッチ抽出戦略は、モデルの収束性および頑健性にどのような影響を与えるか？

主な発見

• ベンチマークデータセット上で、提案手法は平均Dice相似係数（DSC）0.978を達成し、従来の最先端手法を上回った。
• 標準の3次元U-Netベースラインと比較して、推論時間を35％短縮しながらも、より高い精度を維持した。
• パッチベースの学習戦略により、たった100例のトレーニングケースからの学習でも効果的な一般化が可能であり、小規模データセットでも優れた性能を示した。
• 異なるMRIスキャナーや撮影プロトコルに対しても、一貫したDSC値が0.97以上で維持され、高い頑健性を示した。
• 標準の3次元CNNと比較して、GPUメモリ使用量を40％削減でき、コンsumerクラスのGPUでもトレーニングが可能になった。
• 局所的コンテキストモデリングが効果的に機能したため、後頭窩部など組織対比が低い領域でも高い精度を維持した。