[論文レビュー] Densely Dilated Spatial Pooling Convolutional Network using benign loss functions for imbalanced volumetric prostate segmentation

Qiuhua Liu, Min Fu+2 more|arXiv (Cornell University)|Jan 31, 2018

Advanced Neural Network Applications参考文献 14被引用数 6

ひとこと要約

本論文は、良性の損失関数（Dice類似係数（DSC）およびJaccard損失）を用いた、3次元MRIスキャンにおける前立腺の正確で自動化されたセグメンテーションを実現する、密に接続された拡張空間プーリング畳み込みネットワーク（DDSP ConNet）を提案する。拡張畳み込み、グローバルプーリング、スキップ接続、理論的に有利な損失関数を統合することで、モデルはPROMISE12データセットで3次元DSCスコア85.78を達成し、クラス不均衡の処理において大多数の競合手法を上回った。

ABSTRACT

The high incidence rate of prostate disease poses a requirement in early detection for diagnosis. As one of the main imaging methods used for prostate cancer detection, Magnetic Resonance Imaging (MRI) has wide range of appearance and imbalance problems, making automated prostate segmentation fundamental but challenging. Here we propose a novel Densely Dilated Spatial Pooling Convolutional Network (DDSP ConNet) in encoder-decoder structure. It employs dense structure to combine dilated convolution and global pooling, thus supplies coarse segmentation results from encoder and decoder subnet and preserves more contextual information. To obtain richer hierarchical feature maps, residual long connection is furtherly adopted to fuse contexture features. Meanwhile, we adopt DSC loss and Jaccard loss functions to train our DDSP ConNet. We surprisingly found and proved that, in contrast to re-weighted cross entropy, DSC loss and Jaccard loss have a lot of benign properties in theory, including symmetry, continuity and differentiability about the parameters of network. Extensive experiments on the MICCAI PROMISE12 challenge dataset have been done to corroborate the effectiveness of our DDSP ConNet with DSC loss and Jaccard loss. Totally, our method achieves a score of 85.78 in the test dataset, outperforming most of other competitors.

研究の動機と目的

• 背景領域に比べて小さい前立腺領域を対象とした3次元ボリュメトリック前立腺MRIセグメンテーションにおけるデータの不均衡の課題に対処する。
• 深層ネットワークにおける空間的文脈と階層的特徴を保持することで、セグメンテーションの正確性を向上させる。
• 標準的な交差エントロピー損失が不均衡な医療画像セグメンテーションにおいて限界を示すのを克服するため、より強力な損失関数の探索を行う。
• DSCおよびJaccard損失が、医療画像セグメンテーションにおける再重み付け交差エントロピーと比較して理論的および実験的に優れた利点を示すことを実証する。

提案手法

• ダウンサンプリングを行わずに感受野を拡大する、U-Netに類似したエンコーダ・デコーダアーキテクチャに、密に接続された拡張畳み込みを採用する。
• 拡張畳み込みとグローバル平均プーリングを統合し、マルチスケールの文脈的情報を捉える。
• 残留型の長いスキップ接続を用いて、エンコーダとデコーダのパス間の特徴を統合し、特徴の伝搬を強化する。
• DSCおよびJaccard損失関数を採用し、ネットワークパラメータに関して対称的で連続的かつ微分可能である。
• これらの良性損失関数を用いて、エンドツーエンドでネットワークを学習させ、セグメンテーションの被りを最適化するようによりよく調整する。
• エンコーダの粗い特徴とデコーダの洗練された特徴を活用して、高解像度で文脈的に正確なセグメンテーションマップを生成する。

実験結果

リサーチクエスチョン

• RQ1 密に接続された拡張空間プーリングモジュールは、3次元前立腺MRIにおける特徴表現およびセグメンテーションの正確性を向上させることができるか？
• RQ2 DSCおよびJaccard損失関数は、再重み付け交差エントロピーと比較して、不均衡なセグメンテーションタスクにおける優れた最適化行動を示すか？
• RQ3 DSCおよびJaccard損失の理論的特性（対称性、微分可能性など）は、訓練の安定性と性能にどのように影響するか？
• RQ4 拡張畳み込み、グローバルプーリング、スキップ接続の組み合わせが、ボリュメトリックセグメンテーションにおける文脈の保持をどの程度向上させられるか？
• RQ5 提案されたDDSP ConNetは、前立腺セグメンテーションのPROMISE12ベンチマークで最先端の性能を達成するか？

主な発見

• 提案されたDDSP ConNetは、PROMISE12テストデータセットで3次元DSCスコア85.78を達成し、大多数の競合手法を上回った。
• DSCおよびJaccard損失関数は、再重み付け交差エントロピーと比較して、理論的利点（対称性、連続性、微分可能性）が優れており、優れた性能を示した。
• 拡張畳み込みとグローバルプーリングの統合により、空間解像度を低下させることなく、効果的なマルチスケール文脈の集約が可能になった。
• 残留型の長いスキップ接続は、空間的詳細を保持することで、特徴統合とセグメンテーションの正確性を顕著に向上させた。
• モデルはクラス不均衡に対して頑健であり、3次元MRIボリューム内の小さく不規則な形状の前立腺領域を効果的にセグメンテーションした。
• 広範なアブレーションおよび比較実験により、提案された損失関数およびネットワーク設計が、実世界の医療画像認識シナリオにおいて有効であることが確認された。