[論文レビュー] DeepOrgan: Multi-level Deep Convolutional Networks for Automated Pancreas Segmentation

Holger R. Roth|arXiv (Cornell University)|Jun 22, 2015

Advanced Neural Network Applications参考文献 12被引用数 137

ひとこと要約

本稿では、粗いから細かい段階へのアプローチを採用する、腹部CTスキャンにおける膵臓の自動セグメンテーションのためのマルチレベルディープ畳み込みニューラルネットワークフレームワーク、DeepOrganを提案する。この手法は、密度のあるピクセル単位のラベリングと、マルチスケールの文脈的特徴を活用し、CTの強度と確率マップを統合的に学習する領域ConvNetを組み合わせ、4分割交差検証で82例の患者に対して71.8% ± 10.7%の最先端のDice類似係数を達成した。

ABSTRACT

Automatic organ segmentation is an important yet challenging problem for medical image analysis. The pancreas is an abdominal organ with very high anatomical variability. This inhibits previous segmentation methods from achieving high accuracies, especially compared to other organs such as the liver, heart or kidneys. In this paper, we present a probabilistic bottom-up approach for pancreas segmentation in abdominal computed tomography (CT) scans, using multi-level deep convolutional networks (ConvNets). We propose and evaluate several variations of deep ConvNets in the context of hierarchical, coarse-to-fine classification on image patches and regions, i.e. superpixels. We first present a dense labeling of local image patches via $P{-}\mathrm{ConvNet}$ and nearest neighbor fusion. Then we describe a regional ConvNet ($R_1{-}\mathrm{ConvNet}$) that samples a set of bounding boxes around each image superpixel at different scales of contexts in a "zoom-out" fashion. Our ConvNets learn to assign class probabilities for each superpixel region of being pancreas. Last, we study a stacked $R_2{-}\mathrm{ConvNet}$ leveraging the joint space of CT intensities and the $P{-}\mathrm{ConvNet}$ dense probability maps. Both 3D Gaussian smoothing and 2D conditional random fields are exploited as structured predictions for post-processing. We evaluate on CT images of 82 patients in 4-fold cross-validation. We achieve a Dice Similarity Coefficient of 83.6$\pm$6.3% in training and 71.8$\pm$10.7% in testing.

研究の動機と目的

• 高い解剖学的可変性が、従来手法の性能を制限するという課題に対処する。
• トップダウンのマルチアトラス登録とラベル統合の限界を克服するため、ボトムアップで粗いから細かい段階への分類戦略を採用する。
• 画像ピクセルとスーパーピクセル領域におけるディープラーニングを活用することで、腹部CTにおける膵臓のセグメンテーション精度と耐性を向上させる。
• ディープConvNetと構造的予測技術を用いて、膵臓セグメンテーションにおける最先端のパフォーマンスを達成する。
• 多様な患者の解剖学的構造にわたって高い精度と一般化性能を維持しながら、1～3分/ボリュームの効率的な推論を可能にする。

提案手法

• エントロピー率に基づくセグメンテーションと2段階のランダムフォレスト分類器を用いて、高感度で低精度の候補領域を初期に生成する。
• ピクセル単位のConvNet（P-ConvNet）を適用し、軸方向・冠状方向・矢状方向の画像ピッチに対してスライディングウィンドウ分類を実行し、各位置の確率マップを生成する。
• 各スーパーピクセルの周囲に複数のボクシングボックスを異なるスケールでサンプリングする領域ConvNet（R₁-ConvNet）を実装し、マルチスケールの文脈的情報を捉える。
• P-ConvNetが生成する確率マップと生のCT強度ボリュームの両方を統合的に学習するスタックドR₂-ConvNetを導入し、セグメンテーション予測を精緻化する。
• 空間的一致性と境界精度を向上させるために、3次元ガウス平滑化と2次元条件付きランダムフィールド（CRF）を構造的予測後処理として適用する。
• 82例の患者CTスキャンを用いた4分割交差検証でモデルを最適化し、Dice類似係数（DSC）を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 高い解剖学的可変性を考慮しても、従来手法と比較してマルチレベルのディープConvNetフレームワークが膵臓セグメンテーションの精度を向上させられるか？
• RQ2 「ズームアウト」的な領域ConvNetを用いてマルチスケールの文脈的特徴を統合することで、挑戦的なスーパーピクセル候補におけるセグメンテーション性能が向上するか？
• RQ3 生のCT強度とディープConvNetの確率マップを統合的に学習することで、さらなるセグメンテーションの耐性と精度が向上するか？
• RQ4 3次元ガウス平滑化と2次元CRFによる構造的予測が、最終的なセグメンテーション品質と境界精度にどのように影響するか？
• RQ5 提案された粗いから細かい段階のボトムアップアプローチは、未知のデータに一般化できるか、多様な患者の解剖学的構造において性能のばらつきをどれほど低減できるか？

主な発見

• 提案されたDeepOrganフレームワークは、独立したテストデータにおいて平均71.8% ± 10.7%のDice類似係数（DSC）を達成し、発表当時、文献で報告された最高のDSCを記録した。
• トレーニング時のDSCは83.6% ± 6.3%に達しており、高い解剖学的可変性にもかかわらず、強い一般化性能と低い過学習傾向を示している。
• 3次元ガウス平滑化を適用した後、表面間隔は1.46 ± 1.5 mmから0.94 ± 0.6 mmに顕著に改善され、統計的有意性（p < 0.01）を示した。
• テストでは2例の外れ値を除き、DSCが40%未満のケースはなく、残りのすべてのケースが50%を超えており、従来手法に比べて高い耐性と安定性を示した。
• CRF後処理ステップではDSCが68.2% ± 4.1%に低下した一方で、平滑化されたG(P₂(x))出力（71.8%）の方が高いため、ディープConvNetの確率マップがすでに非常に最適化されていることが示された。
• 1～3分/ボリュームの推論時間であり、従来手法が数時間かかっていたのと比べて顕著に高速でありながら、高い精度を維持している。