[論文レビュー] Deep learning with spatiotemporal consistency for nerve segmentation in ultrasound images

Adel Hafiane, Pierre Vieyres+1 more|arXiv (Cornell University)|Jun 19, 2017

Anesthesia and Pain ManagementMedicine被引用数 17

ひとこと要約

本稿では、超音波ガイド下区域麻酔における神経分離を向上させるために、時空間的一致性を有する深層学習フレームワークを提案する。畳み込みニューラルネットワーク（CNN）を用いた初期神経局所化に加え、空間的・時間的整合性を活用して誤検出を低減し、その後に確率的アクティブコントウールを用いて正確な境界抽出を実現する。本手法は神経局所化で96%のFスコアを達成し、高い分離精度を示した。

ABSTRACT

Ultrasound-Guided Regional Anesthesia (UGRA) has been gaining importance in the last few years, offering numerous advantages over alternative methods of nerve localization (neurostimulation or paraesthesia). However, nerve detection is one of the most tasks that anaesthetists can encounter in the UGRA procedure. Computer aided system that can detect automatically region of nerve, would help practitioner to concentrate more in anaesthetic delivery. In this paper we propose a new method based on deep learning combined with spatiotemporal information to robustly segment the nerve region. The proposed method is based on two phases, localisation and segmentation. The first phase, consists in using convolutional neural network combined with spatial and temporal consistency to detect the nerve zone. The second phase utilises active contour model to delineate the region of interest. Obtained results show the validity of the proposed approach and its robustness.

研究の動機と目的

• 超音波ガイド下区域麻酔（UGRA）において、手動による神経検出が時間と熟練を要するという課題に対処する。
• 超音波画像におけるノイズやアーティファクトによって引き起こされる神経局所化の誤検出を低減する。
• 人間の専門家がプローブの動きを用いて神経同定の信頼性を高めるのを模倣し、動的スキャン行動（空間的・時間的一致性）を活用する。
• 洗練された局所化結果をアクティブコントウールモデルの初期輪郭として用いることで、分離精度を向上させる。
• 深層学習と時空間的整合性を統合した手法が、SVM や単独の CNN といった従来手法を上回ることを示す。

提案手法

• ReLU活性化関数とマックスプーリングを用いた3層の畳み込み層を持つCNNを用い、64×64の画像パッチを神経領域または非神経領域に分類する。
• 複数のフレームにわたる一貫性のある検出結果を保持することで、空間的一致性を適用する。
• プローブの移動が安定している間、検出されたROIが連続する超音波フレームにわたって安定していることを要件として、時間的一致性を強制する。
• フレーム間のオーバーラップ率（IoU）に基づくソフト投票メカニズムを用い、ノイズや一時的な検出をフィルタリングする。
• 洗練されたROIを確率的ジオデシックアクティブコントウール（PGVF）モデルの初期輪郭として入力し、神経境界を正確に分離する。
• 正則化のため、全結合層に0.5のドロップアウトを適用し、確率的勾配降下法でCNNを最適化する。

実験結果

リサーチクエスチョン

• RQ1 時空間的一致性を導入することで、超音波画像からの神経局所化における誤検出を顕著に低減できるか？
• RQ2 CNNによる特徴抽出と時間的・空間的一致性を組み合わせることで、単独のCNNやSVMに比べて局所化のロバスト性が向上するか？
• RQ3 動的スキャン情報（プローブの動き）を活用することで、臨床現場における検出信頼性がどの程度向上するか？
• RQ4 時空間的一致性を持つROIで初期化された深層学習とアクティブコントウールモデルの統合が、優れた分離精度を達成できるか？
• RQ5 提案手法は、特徴選択付きSVM や時間的制約を導入した手法と比較して、定量的に優れているか？

主な発見

• 提案手法は神経局所化においてFスコア0.96 ± 0.25を達成し、単独のCNN（0.91 ± 0.24）や特徴選択付きSVM（0.88 ± 0.52）を上回った。
• 時空間的一致性を組み込むことで、CNN単体と比較してFスコアが5%向上し、誤検出の効果的な抑制が確認された。
• 分離においてはDice係数0.85 ± 0.15、ハウスドルフ距離10.72 ± 3.91を達成し、熟練医のアノテーションと高い一致を示した。
• CNNに時空間的制約を組み込んだ手法は、時間的制約付きSVM（Fスコア：0.92 ± 0.33）よりも誤検出率をより効果的に低減した。
• 定性的な結果から、分離結果は熟練医が描いた基準値に非常に近く、コントラストが低いか、ノイズが多い領域でも正確な境界抽出が可能であった。
• 本フレームワークは10件の患者動画（1件あたり平均500フレーム）で安定した性能を示し、実世界の動的超音波シーケンスにおける有効性が検証された。