[論文レビュー] DeepHIPS: A novel Deep Learning based Hippocampus Subfield Segmentation method

José V. Manjón, José E. Romero+1 more|arXiv (Cornell University)|Jan 31, 2020

Neuroscience and Neuropharmacology Research参考文献 37被引用数 5

ひとこと要約

DeepHIPSは、高分解能MRIスキャンにおける海馬のサブフィールドセグメンテーションのための深く監視されたU-Netアーキテクチャを提案し、既存の手法と比較して最先端の精度とより速い推論時間の両方を達成した。この手法はマルチスケールの監視とデータ増強を活用して、複雑なサブフィールドのセグメンテーションを改善し、2つの標準的な区画プロトコルにおいても頑健な性能を示した。

ABSTRACT

The automatic assessment of hippocampus volume is an important tool in the study of several neurodegenerative diseases such as Alzheimer's disease. Specifically, the measurement of hippocampus subfields properties is of great interest since it can show earlier pathological changes in the brain. However, segmentation of these subfields is very difficult due to their complex structure and for the need of high-resolution magnetic resonance images manually labeled. In this work, we present a novel pipeline for automatic hippocampus subfield segmentation based on a deeply supervised convolutional neural network. Results of the proposed method are shown for two available hippocampus subfield delineation protocols. The method has been compared to other state-of-the-art methods showing improved results in terms of accuracy and execution time.

研究の動機と目的

• 神経変性疾患の早期発見を支援するため、自動的で正確かつ効率的な海馬サブフィールドセグメンテーション手法の開発。
• 特に小さな、複雑なサブフィールドに対して、手作業によるセグメンテーションが時間のかかるもので、主観的であるという課題に対処する。
• マルチスケールの監視と頑健なデータ増強を用いたディープラーニングにより、セグメンテーション性能の向上。
• 公開利用可能なデータセットを用いて、2つの標準的な海馬サブフィールド区画プロトコル上でこの手法を検証する。
• 既存の最先端手法と比較して、実行時間を短縮しながらも、セグメンテーション精度を維持または向上させる。

提案手法

• 複数のデコーダーステージで監視を適用することで、特徴の学習と勾配の流れを向上させる、深く監視されたU-Netアーキテクチャを採用。
• エキスパートがアノテートしたサブフィールドラベルを用いて、高分解能T1強調MRIスキャン上でエンドツーエンドで訓練。
• 異なるデコーダーレベルで補助損失関数を適用することで、マルチスケールの監視を実現し、局在化精度と一般化性能を向上。
• 強度のジャイタリングや空間変換を含むデータ増強戦略を用いて、モデルの頑健性と一般化性能を向上。
• 一貫性と再現可能性を確保するため、2つの公開利用可能な海馬サブフィールドセグメンテーションプロトコル上で評価。
• 推論の最適化により、臨床および研究現場でのリアルタイムまたはニアリアルタイムのセグメンテーションを可能に。

実験結果

リサーチクエスチョン

• RQ1 深く監視されたU-Netアーキテクチャは、既存のディープラーニング手法と比較して、海馬サブフィールドのセグメンテーション精度を優れて達成できるか？
• RQ2 マルチスケールの監視は、高分解能MRIにおけるサブフィールドセグメンテーションの局在化精度と頑健性を向上させるか？
• RQ3 提案手法は、精度を維持または向上させながら、推論時間を短縮できるか？
• RQ4 この手法は、2つの異なる海馬サブフィールド区画プロトコルにおいて、どのように性能を発揮するか？
• RQ5 データ増強は、限られたアノテート済みデータセット上でモデルの一般化性能をどの程度向上させるか？

主な発見

• 提案されたDeepHIPS手法は、両方の評価プロトコルにおいて、すべてのサブフィールドでDice相似係数（DSC）の最先端性能を達成した。
• 先行の最先端手法と比較して、より速い推論速度を示し、臨床ワークフローへの効率的な導入を可能にした。
• マルチスケールの監視は、特に小さな、解剖学的に複雑なサブフィールドにおいて、顕著にセグメンテーション精度を向上させた。
• 効果的なデータ増強のおかげで、異なるMRI取得プロトコル間でもモデルの一般化性能が頑健であった。
• 精度と計算効率の両面で、既存のディープラーニングベースの手法を上回った。
• 2つの独立したサブフィールド区画プロトコルにおいて一貫した結果が得られ、本手法の信頼性と再現可能性を確認した。