[論文レビュー] Deep Poincare Map For Robust Medical Image Segmentation.

Yuanhan Mo, Fangde Liu+4 more|arXiv (Cornell University)|Mar 27, 2017

Medical Image Segmentation Techniques被引用数 2

ひとこと要約

本論文では、心筋マヒレジストレーション画像における左室（LV）輪郭抽出のための、深層ポアンカレ写像に基づく反復的セグメンテーション手法を提案する。ポリシーネットワークを用いて、ポアンカレ写像における大きさの差を停止基準として用いることで、エージェントがLV境界に沿ってガイドされる。本手法は、SCDおよびSTACOM 2011データセットにおいて最先端の性能を達成し、SCDからSTACOMへのゼロショット転送性が顕著である。

ABSTRACT

Precise segmentation of the left ventricle (LV) within cardiac MRI images is a prerequisite for the quantitative measurement of heart function. However, this task is challenging due to the limited availability of labeled data and motion artifacts from cardiac imaging. In this work, we present an iterative segmentation algorithm for LV delineation. By coupling deep learning with a novel dynamic-based labeling scheme, we present a new methodology where a policy model is learned to guide an agent to travel over the the image, tracing out a boundary of the ROI -- using the magnitude difference of the Poincare map as a stopping criterion. Our method is evaluated on two datasets, namely the Sunnybrook Cardiac Dataset (SCD) and data from the STACOM 2011 LV segmentation challenge. Our method outperforms the previous research over many metrics. In order to demonstrate the transferability of our method we present encouraging results over the STACOM 2011 data, when using a model trained on the SCD dataset.

研究の動機と目的

• 限られたラベル付きデータと動きアーチファクトを伴う心筋マヒレジストレーション画像における正確な左室セグメンテーションの課題に対処すること。
• 大規模なアノテート済みデータセットへの依存を低減する、データ効率の良いセグメンテーション手法の開発。
• 反復的境界トレースを可能にする、新たな動的ベースのラベリング方式の導入。
• 多様な心筋マヒレジストレーション画像データセット間でのセグメンテーションのロバスト性と一般化性能の向上。
• 1つのデータセットで学習したモデルが、別のデータセット（例：SCDからSTACOM 2011）にどのように転送可能かを実証すること。

提案手法

• 深層強化学習を用いて、エージェントが画像の局所的ダイナミクスを捉えるポアンカレ写像の特徴を活用し、ステップバイステップでLV境界を走査するポリシーモデルを学習する。
• 画像パッチからポアンカレ写像を計算し、局所的ダイナミクスを捉え、境界遷移を検出する。
• ポアンカレ写像の大きさの差を、エージェントが境界の終了に到達したかどうかを判断する動的停止基準として用いる。
• トレーニング中にラベリング方式を動的に更新することで、エージェントが進化する境界表現から学習できるようにする。
• 画像特徴を符号化し、エージェントの移動をガイドするための深層ニューラルネットワークを用いる。
• 反復的プロセスにより、ポアンカレ写像の大きさの差に基づく停止基準を満たすまで、境界に沿ってLV輪郭をトレースする。

実験結果

リサーチクエスチョン

• RQ1 ポアンカレ写像からの動的画像特徴を用いて、深層強化学習エージェントが効果的に左室境界をトレースできるか？
• RQ2 提案された動的ラベリング方式は、限られたアノテート済みデータのもとで、セグメンテーション性能をどのように向上させるか？
• RQ3 SCDデータセットで学習したモデルが、微調整なしでSTACOM 2011データセットにどの程度一般化できるか？
• RQ4 ポアンカレ写像の大きさの差を停止基準として用いることで、境界検出の正確性が向上するか？
• RQ5 本手法は、複数のベンチマークデータセットにおいて、左室セグメンテーションで最先端の性能を達成できるか？

主な発見

• 提案手法は、Sunnybrook Cardiac DatasetおよびSTACOM 2011左室セグメンテーションチャレンジの両方において、複数の評価指標で従来の最先端手法を上回った。
• SCDデータセットで学習したモデルは、STACOM 2011データセットへ効果的に一般化され、強いゼロショット転送性を示した。
• ポアンカレ写像の大きさの差を停止基準として用いることで、境界検出の精度が向上し、セグメンテーション誤差が低減した。
• 動的ラベリング方式により、限られたアノテート済みデータでも効果的な学習が可能となり、データ効率が向上した。
• 動きアーチファクトや低コントラスト領域が存在する心筋マヒレジストレーションスキャンにおいても、本手法はロバストなセグメンテーション性能を達成した。