[論文レビュー] Deformation estimation of an elastic object by partial observation using a neural network

Utako Yamamoto, Megumi Nakao+2 more|arXiv (Cornell University)|Nov 28, 2017

Medical Image Segmentation Techniques参考文献 27被引用数 5

ひとこと要約

本論文では、非線形有限要素法によるシミュレーションで生成された合成データを用いて学習した深層学習的手法を提案し、表面点の約3%しか観測されないような、肝臓などの弾性体の完全な3次元変形を推定する。この手法は、平均推定誤差がわずか0.041 mmにとどまり、入力データが極めて少ない状況でも高い精度を示しており、リアルタイム手術ナビゲーションシステムへの応用が有望である。

ABSTRACT

Deformation estimation of elastic object assuming an internal organ is important for the computer navigation of surgery. The aim of this study is to estimate the deformation of an entire three-dimensional elastic object using displacement information of very few observation points. A learning approach with a neural network was introduced to estimate the entire deformation of an object. We applied our method to two elastic objects; a rectangular parallelepiped model, and a human liver model reconstructed from computed tomography data. The average estimation error for the human liver model was 0.041 mm when the object was deformed up to 66.4 mm, from only around 3 % observations. These results indicate that the deformation of an entire elastic object can be estimated with an acceptable level of error from limited observations by applying a trained neural network to a new deformation.

研究の動機と目的

• 腹腔鏡手術において、追跡可能な表面点が僅かにしか得られない状況で、完全な3次元臓器変形を推定する課題に対処すること。
• 手術ナビゲーションにおける部分的観測の制限を克服し、臓器表面のわずかな領域しか視認できない状況を想定すること。
• 力の測定を必要とせず、希少な変位データから完全な変形を推定する機械学習手法を開発すること。
• ニューラルネットワークが、ヒトの肝臓のような複雑な弾性構造の変形を推定する可能性と正確さを評価すること。
• 最小限の観測データに基づいて、リアルタイムかつ高精度な手術中の臓器変形シミュレーションを可能にすること。

提案手法

• 多層ニューラルネットワークを用いて、観測可能な表面点の少数からの希少な変位入力を、弾性物体のメッシュ全頂点における完全な変位場へマッピングするように学習する。
• 学習用の変形データは、既知の初期形状および境界条件の下で非線形有限要素法（FEM）を用いて生成される。
• ニューラルネットワークの入力層は、観測点数の3倍のノード数を持つ（x, y, z座標）。出力層は、固定されていない全頂点の変位を予測する。
• 勾配逆伝播法を用いて最適化され、隠れ層サイズや反復回数といったハイパーパrameterは、精度と収束速度のバランスを図るために試行錯誤で選定された。
• 初期幾何形状は既知であると仮定し、力や材料特性の入力は不要である。観測された変位からの変位予測にのみ焦点を当てる。
• フレームワークは、単純な直方体とCTデータから再構築された複雑なヒトの肝臓モデルの両方で検証された。

実験結果

リサーチクエスチョン

• RQ1 希少な表面点からの変位データのみを用いて、ニューラルネットワークが弾性体の完全な3次元変形を正確に推定できるか？
• RQ2 観測点の数や空間的配置が推定精度にどのように影響するか？
• RQ3 部分的観測下での変形推定に最適なニューラルネットワークアーキテクチャ（例：隠れ層サイズ、学習反復回数）は何か？
• RQ4 メッシュの複雑さ（例：肝臓モデルと単純なボックスとの比較）が推定誤差に与える影響は？
• RQ5 学習済みニューラルネットワークは、新しい変形シナリオや異なる臓器幾何形状へ一般化可能か？

主な発見

• ヒトの肝臓モデルにおいて、観測頂点が約3%の状況でも平均推定誤差は0.041 mmにとどまり、希少観測下でも高い精度を示した。
• 複数の接触領域を有する肝臓モデルでは平均誤差が0.275 mmに上昇したが、依然として1 mm未満であり、臨床的に許容可能であった。
• 全テストケースにおける最大誤差は2.06 mmであり、約15 mmのメッシュ間隔に対しては小さく、複雑な変形に対しても頑健であることを示した。
• 中央値誤差は0.146 mm（75百分位誤差の0.33%）であり、多様な変形パターンにおいて一貫した性能を示した。
• 直接観測されていない領域に対しても、信頼性の高い推定が可能であったため、学習済みニューラルネットワークの優れた一般化能力が示された。
• 本研究では、力や材料データを一切必要とせず、最小限の変位観測から完全な臓器変形を再構築できるニューラルネットワークの有効性を、初めて実証した。