[論文レビュー] Deeply Self-Supervising Edge-to-Contour Neural Network Applied to Liver Segmentation.

Minyoung Chung, Jingyu Lee+3 more|arXiv (Cornell University)|Aug 2, 2018

Medical Image Segmentation Techniques被引用数 3

ひとこと要約

本論文では、アダプティブなホログラム監視とグローバル形状およびディープ特徴を統合することで、腹部CTスキャンにおける肝臓セグメンテーションを向上させる、深く自己教師ありの完全畳み込みニューラルネットワークを提案する。判別的ホログラム学習を活用することで、最先端の手法と比較してDiceスコアが2.13%向上し、ガイド付きホログラム特徴がセグメンテーション精度を顕著に向上させることを示している。

ABSTRACT

Objective: Herein, a neural network-based liver segmentation algorithm is proposed, and its performance was evaluated using abdominal computed tomography (CT) images. Methods: A fully convolutional network was developed to overcome the volumetric image segmentation problem. To guide a neural network to accurately delineate a target liver object, the network was deeply supervised by applying the adaptive self-supervision scheme to derive the essential contour, which acted as a complement with the global shape. The discriminative contour, shape, and deep features were internally merged for the segmentation results. Results and Conclusion: 160 abdominal CT images were used for training and validation. The quantitative evaluation of the proposed network was performed through an eight-fold cross-validation. The result showed that the method, which uses the contour feature, segmented the liver more accurately than the state-of-the-art with a 2.13% improvement in the dice score. Significance: In this study, a new framework was introduced to guide a neural network and learn complementary contour features. The proposed neural network demonstrates that the guided contour features can significantly improve the performance of the segmentation task.

研究の動機と目的

• 臓器の境界が曖昧になりがちなボリュメトリックな腹部CT画像における正確な肝臓セグメンテーションの課題に対処すること。
• 境界の明示的ガイドランスを欠いている標準的な完全畳み込みネットワーク（FCN）の限界を克服し、正確な臓器の輪郭抽出を実現すること。
• ネットワークの内部特徴から高品質なホログラム監視信号をアダプティブに生成する、新しい自己教師ありメカニズムを導入すること。
• 統一されたフレームワーク内でディープ特徴、グローバル形状の事前知識、および判別的ホログラム情報を統合し、セグメンテーション性能を向上させること。
• ホログラムガイドランスが、現在の最先端手法を上回るセグメンテーション精度を向上させることを検証すること。

提案手法

• 3次元ボリュメトリックCT画像を処理する完全畳み込みネットワーク（FCN）を設計し、エンドツーエンドの肝臓セグメンテーションを実現する。
• ネットワークの内部特徴マップから疑似正解ホログラムを生成するためのアダプティブな自己教師ありスキームを適用し、複数のレイヤーにわたり深い監視を可能にする。
• 特徴表現における鋭い強度変化および空間的境界を特定することでホログラム監視を導出し、反復的リファインメントによって改善する。
• 判別的ホログラム特徴を明示的に学習し、セグメンテーション推論中にグローバル形状事前知識およびディープ階層特徴と統合する。
• 正確な境界予測を促進するため、交差エントロピー損失、Dice損失、およびホログラム固有の正則化項を組み合わせたマルチタスク損失関数を用いてネットワークを訓練する。
• 160例の腹部CTスキャンを用いた8分割交差検証を実施し、堅牢な性能評価を保証する。

実験結果

リサーチクエスチョン

• RQ1 アダプティブな自己教師ありスキームは、肝臓セグメンテーションにおける境界検出を向上させる信頼性のあるホログラム監視信号を生成できるか？
• RQ2 判別的ホログラム特徴をディープ特徴および形状特徴と統合することで、標準的なFCNと比較してセグメンテーション精度がどのように向上するか？
• RQ3 提案手法は、Diceスコアおよび境界精度の観点から、既存の最先端の肝臓セグメンテーションモデルを上回る性能を示すか？
• RQ4 自己教師ありホログラム学習は、高品質なセグメンテーションを維持しつつ、手動アノテーションへの依存度をどの程度低減できるか？

主な発見

• 提案手法は最先端手法と比較して2.13%のDiceスコア向上を達成し、優れたセグメンテーション精度を示した。
• 自己教師ありホログラム特徴の統合により、特に組織対比が低い領域における境界の明確化が顕著に向上した。
• 160例の腹部CTスキャンを用いた8分割交差検証により、多様な解剖的変異およびスキャンプロトコルにわたる一貫性のある性能が確認された。
• アダプティブな自己教師ありスキームは、追加の手動アノテーションを必要とせず、高品質なホログラム監視信号を効果的に生成できた。
• ホログラム特徴、形状特徴、ディープ特徴の統合により、グローバル形状やディープ特徴に依存するモデルと比較して、より頑健で汎用性の高いセグメンテーション結果が得られた。
• 本手法は、細かな肝臓の輪郭を捉える能力に優れ、臓器境界付近での過剰および不十分なセグメンテーションを低減した。