[論文レビュー] DeepLesionBrain: Towards a broader deep-learning generalization for multiple sclerosis lesion segmentation

Reda Abdellah Kamraoui, Vinh‐Thong Ta+4 more|arXiv (Cornell University)|Dec 14, 2020

Digital Imaging for Blood Diseases参考文献 51被引用数 73

ひとこと要約

DLB は空間的に分散した3D CNNと階層的専門化学習、画像品質データ拡張、モダリティ効率設計（T1w+FLAIR）を用いたドメイン一般化MS病変セグメンテーションフレームワークを提案し、データセット間の一般化を改善します。

ABSTRACT

Recently, segmentation methods based on Convolutional Neural Networks (CNNs) showed promising performance in automatic Multiple Sclerosis (MS) lesions segmentation. These techniques have even outperformed human experts in controlled evaluation conditions such as Longitudinal MS Lesion Segmentation Challenge (ISBI Challenge). However state-of-the-art approaches trained to perform well on highly-controlled datasets fail to generalize on clinical data from unseen datasets. Instead of proposing another improvement of the segmentation accuracy, we propose a novel method robust to domain shift and performing well on unseen datasets, called DeepLesionBrain (DLB). This generalization property results from three main contributions. First, DLB is based on a large group of compact 3D CNNs. This spatially distributed strategy ensures a robust prediction despite the risk of generalization failure of some individual networks. Second, DLB includes a new image quality data augmentation to reduce dependency to training data specificity (e.g., acquisition protocol). Finally, to learn a more generalizable representation of MS lesions, we propose a hierarchical specialization learning (HSL). HSL is performed by pre-training a generic network over the whole brain, before using its weights as initialization to locally specialized networks. By this end, DLB learns both generic features extracted at global image level and specific features extracted at local image level. DLB generalization was validated in cross-dataset experiments on MSSEG'16, ISBI challenge, and in-house datasets. During experiments, DLB showed higher segmentation accuracy, better segmentation consistency and greater generalization performance compared to state-of-the-art methods. Therefore, DLB offers a robust framework well-suited for clinical practice.

研究の動機と目的

• 未知の臨床データセット全体でCNNベースのMS病変セグメンテーションの一般化不足に対処する。
• ターゲットドメインの注釈なしで性能を維持するドメイン一般化可能なアーキテクチャを提案する。
• 新規データ拡張と階層的特徴学習を通じて撮像取得のばらつきに対する頑健性を高める。

提案手法

• 重なり受容野を持つ脳領域ごとに特化した多数のコンパクトな空間的に分散した3D CNNを導入する。
• トレーニング中にImage Quality Data Augmentation (IQDA)を適用して撮像のばらつきと画質の変動を模倣する（ブラー、エッジ強調、軸方向サブサンプリング）。
• 階層的専門化学習（HSL）を採用する：まずすべての脳領域でグローバル特徴を捉える一般的なネットワークを訓練し、次に地域特異的ネットワークを一般的な重みで初期化して局所的な専門化を行う。
• データセット間の互換性を最大化し追加シーケンスへの依存を避けるため、2モダリティ入力（T1wとFLAIR）を使用する。
• クロスデータセットMSセグメンテーションベンチマークで訓練・評価を行い、ドメイン一般化を評価する（ISBI、MSSEG’16、社内データ）。
• クラス不均衡に対処するため滑らかなGeneralized Jaccard Lossで最適化し、重複する領域予測を多数決で統合する。

実験結果

リサーチクエスチョン

• RQ1 未知のドメインに対してターゲットドメインの注釈なしで堅牢なMS病変セグメンテーションをDeepLesionBrainは達成できるか？
• RQ2 重なり受容野を持つ空間的に分散したネットワーキングは、単一ネットワークアプローチと比較して一般化を改善するか？
• RQ3 IQDAと階層的専門化学習は、ドメイン間の頑健性と病変検出精度に有意義な寄与をするか？
• RQ4 撮像プロトコルが異なるデータセット間で、2つのMRIモダリティ（T1wとFLAIR）だけを用いて信頼性の高いMS病変セグメンテーションは実現可能か？

主な発見

• DLBはクロスデータセット試験において、最先端手法と比較して病変セグメンテーション精度、一貫性、一般化性能が高い。
• 重なり領域を持つ空間分散ネットワークは頑健なコンセンサスを提供し、ドメインシフト下での安定性を改善する。
• IQDAは訓練データ特有の撮像と画質のばらつきに対する感度を低減し、ドメイン一般化を支援する。
• HSLは汎用的なグローバル特徴と専門的な局所特徴の効果的な学習を可能にし、単一ネットワークや非HSLのベースラインを上回る。
• DLBは2モダリティ（T1wとFLAIR）との互換性を示し、多様なデータセット全体で堅牢な性能を維持する。