[論文レビュー] DeepVesselNet: Vessel Segmentation, Centerline Prediction, and Bifurcation Detection in 3-D Angiographic Volumes

Giles Tetteh, Velizar Efremov+7 more|arXiv (Cornell University)|Mar 25, 2018

Medical Image Segmentation Techniques被引用数 32

ひとこと要約

DeepVesselNet は、3次元造影的血管のセグメンテーション、中心線予測、分岐検出を実行するディープラーニングフレームワークであり、計算コストを低減しながら3次元的文脈を保持するための2次元クロスヘアフィルタを採用し、極端なクラス不均衡に対処するための新たなクラスバランス損失関数（誤検出率補正付き）と、合成的に生成された血管木構造からのトランスファー学習を組み合わせている。3D CNNと同等の精度を達成しながら、23%高速な推論と低いメモリ使用量を実現しており、ボクセルサイズの構造物の処理において、サブサンプリング層を含むアーキテクチャを上回っている。

ABSTRACT

We present DeepVesselNet, an architecture tailored to the challenges faced when extracting vessel networks or trees and corresponding features in 3-D angiographic volumes using deep learning. We discuss the problems of low execution speed and high memory requirements associated with full 3-D convolutional networks, high-class imbalance arising from the low percentage of vessel voxels, and unavailability of accurately annotated training data - and offer solutions as the building blocks of DeepVesselNet. First, we formulate 2-D orthogonal cross-hair filters which make use of 3-D context information at a reduced computational burden. Second, we introduce a class balancing cross-entropy loss function with false positive rate correction to handle the high-class imbalance and high false positive rate problems associated with existing loss functions. Finally, we generate synthetic dataset using a computational angiogenesis model capable of generating vascular trees under physiological constraints on local network structure and topology and use these data for transfer learning. DeepVesselNet is optimized for segmenting and analyzing vessels, and we test the performance on a range of angiographic volumes including clinical MRA data of the human brain, as well as X-ray tomographic microscopy scans of the rat brain. Our experiments show that, by replacing 3-D filters with cross-hair filters in our network, we achieve over 23% improvement in speed, lower memory footprint, lower network complexity which prevents overfitting and comparable accuracy (with a Cox-Wilcoxon paired sample significance test p-value of 0.07 when compared to full 3-D filters). Our class balancing metric is crucial for training the network and transfer learning with synthetic data is an efficient, robust, and very generalizable approach leading to a network that excels in a variety of angiography segmentation tasks.

研究の動機と目的

• 3次元造影的ボリューム解析における3次元畳み込みネットワークの高い計算コストとメモリ使用量を低減すること。
• 血管セグメンテーション、中心線予測、分岐検出において、血管ボクセルが全ボクセルの3%未満という極端なクラス不均衡を克服すること。
• 生理的制約を課した合成的に生成された血管木構造を活用することで、データが少ない状況でも頑健な学習を可能にすること。
• 局所化精度を低下させるサブサンプリング層を回避することで、ボクセルサイズの構造物（中心線や分岐点など）の性能を向上させること。
• 今後の血管ネットワーク解析研究を支援するため、公開用のデータセットとコードベースを提供すること。

提案手法

• 3次元的文脈を低コストで捉えるために、異なる平面での3つの2次元フィルタを組み合わせた2次元直交クロスヘアフィルタの設計。これは、完全な3次元畳み込みと比較して計算負荷を低減する。
• 極端なクラス不均衡下での学習を安定化させるために、誤検出率補正を組み込んだクラスバランス損失関数（交差エントロピー損失）の開発。
• 血流力学的制約を課した計算的アンジオジェネシスモデルを用いて、合成的3次元造影ボリュームを生成。
• 臨床データへの微調整の前に合成データで事前学習することで、トランスファー学習を適用。これにより、多様な画像モodalities における汎化性能が向上する。
• サブサンプリング層を一切含まないアーキテクチャ設計により、空間分解能を維持し、中心線や分岐点などの微細な特徴の検出精度を向上。
• 局所化タスクにおける性能向上を目的として、DeepVesselNet-FCN において完全畳み込みネットワーク（FCN）アーキテクチャを採用。

実験結果

リサーチクエスチョン

• RQ1 2次元クロスヘアフィルタは、完全な3次元畳み込みと同等の3次元血管セグメンテーション精度を達成しつつ、推論時間とメモリ使用量を顕著に削減できるか？
• RQ2 誤検出率補正を組み込んだ提案されたクラスバランス損失は、血管、中心線、分岐予測における極端なクラス不均衡に起因する性能低下をどれほど効果的に緩和できるか？
• RQ3 合成的に生成された血管木構造からのトランスファー学習は、実臨床3次元造影的データにおけるモデルの汎化性能と性能をどの程度向上させるか？
• RQ4 ネットワークアーキテクチャからサブサンプリング層を排除することで、中心線や分岐点などの微細構造血管特徴の検出性能が向上するか？
• RQ5 1つの統合されたネットワークアーキテクチャが、一連のバイナリ分類アプローチを上回る性能で、同時に血管セグメンテーション、中心線予測、分岐検出を実行できるか？

主な発見

• クロスヘアフィルタを搭載したDeepVesselNetは、完全な3次元畳み込みネットワークと同等の精度を維持しながら、23%以上高速な推論と顕著に低いメモリ使用量を実現（対応順位検定でp = 0.07）。
• 提案されたクラスバランス損失関数（誤検出率補正付き）は、学習の安定化と精度・再現率のバランス向上を実現し、過剰・不十分セグメンテーションの問題を軽減した。
• 合成的に生成された血管木構造からのトランスファー学習は、特にデータが少ない状況において、実臨床データにおけるモデル性能を顕著に向上させた。
• サブサンプリング層を排除したDeepVesselNet-FCNは、プーリングやダウンサンプリングを含むアーキテクチャと比較して、中心線予測（p < 0.001）および分岐検出タスクで顕著に高いDiceスコアを達成した。
• ネットワークは、より小さな血管において中心線や分岐点をより多く検出しているが、これはデータの不均衡に起因するものであり、トレーニング段階で大きな血管特徴を再重み付けまたはオーバーサンプリングすることで是正可能である。
• 可視化結果から、DeepVesselNet-FCNは合成および臨床的MRAデータの両方で中心線や分岐点を正確に検出しているが、一部の小さな血管では欠落点が生じており、後処理や微調整の余地があることが示唆された。