[論文レビュー] Detection-aided liver lesion segmentation using deep learning

Míriam Bellver, Kevis-Kokitsi Maninis+4 more|arXiv (Cornell University)|Nov 29, 2017

Advanced Neural Network Applications参考文献 7被引用数 35

ひとこと要約

本論文は、多スケールの監視と病変検出器を備えた段階的U-Netに類似したアーキテクチャを用いて、CTスキャンにおける肝臓および肝病変のセグメンテーションのための検出支援深層学習フレームワークを提案する。この手法は、誤検出を低減するために、病変セグメンテーションと検出ベースのフィルタリング、および3D-CRFの精緻化を組み合わせることで、LiTSチャレンジのテストセットで59%のDiceスコアを達成した。

ABSTRACT

A fully automatic technique for segmenting the liver and localizing its unhealthy tissues is a convenient tool in order to diagnose hepatic diseases and assess the response to the according treatments. In this work we propose a method to segment the liver and its lesions from Computed Tomography (CT) scans using Convolutional Neural Networks (CNNs), that have proven good results in a variety of computer vision tasks, including medical imaging. The network that segments the lesions consists of a cascaded architecture, which first focuses on the region of the liver in order to segment the lesions on it. Moreover, we train a detector to localize the lesions, and mask the results of the segmentation network with the positive detections. The segmentation architecture is based on DRIU, a Fully Convolutional Network (FCN) with side outputs that work on feature maps of different resolutions, to finally benefit from the multi-scale information learned by different stages of the network. The main contribution of this work is the use of a detector to localize the lesions, which we show to be beneficial to remove false positives triggered by the segmentation network. Source code and models are available at https://imatge-upc.github.io/liverseg-2017-nipsws/ .

研究の動機と目的

• CTスキャンからの肝臓およびその病変の完全自動セグメンテーション手法の開発を目的とし、診断支援および治療モニタリングを支援すること。
• 低コントラスト、病変サイズのばらつき、画像ノイズといった、肝病変セグメンテーションにおける課題に対処すること。
• セグメンテーションネットワークからの誤検出を抑制するために、病変検出器を活用して分類精度を向上させること。
• 肝臓セグメンテーションを用いた領域オブイントリレスト（ROI）クローニングとマルチスケール特徴を活用し、病変の局在化を強化すること。
• LiTS 2017ベンチマークデータセット上で手法を評価し、ベースライン手法と性能を比較すること。

提案手法

• 段階的アーキテクチャを用いる：まず肝臓をセグメンテーションし、その後病変に特化したセグメンテーションのためのROIをクローニングする。
• 複数の解像度でのサイドアウトプットを備えたDRIUベースの完全畳み込みネットワーク（FCN）を採用し、マルチスケール特徴を捉える。
• ボリュームごとの前景・背景クラスの不均衡を補正するため、重み付きバイナリクロスエントロピー損失を適用する。
• 学習中に肝臓領域外の勾配を抑制することで、関連するピxlsに限定して学習を促進し、クラスバランスを改善する。
• 空間的および強度的一致性を活用してセグメンテーション出力を精緻化するため、3D完全連結条件付きランダムフィールド（3D-CRF）を導入する。
• 肝臓周辺のパッチ上で学習された2Dオブジェクト検出器を用いて病変を局在化し、正の検出結果のみを用いてセグメンテーション予測をマスクする。

実験結果

リサーチクエスチョン

• RQ1 純粋なセグメンテーションネットワークと比較して、検出支援アプローチは肝病変セグメンテーションにおける誤検出予測を低減できるか？
• RQ2 学習勾配を肝臓領域内のピxlsに制限することで、病変セグメンテーションの性能とクラス不均衡にどのような影響を与えるか？
• RQ3 3D-CRFを統合することで、病変セグメンテーションの空間的一致性と正確性はどの程度向上するか？
• RQ4 病変検出器とセグメンテーションネットワークを組み合わせることで、LiTSベンチマーク上で単独のセグメンテーションより優れた結果が得られるか？
• RQ5 サイドアウトプットによるマルチスケール監視は、低コントラストCTスキャンにおける微細な病変特徴をどの程度効果的に捉えるか？

主な発見

• ベースラインの段階的セグメンテーションのみのアプローチは、LiTSテストセットでDiceスコア0.41を達成した。
• 3D入力と肝臓領域内での勾配抑制を追加することで、学習を関連領域に集中させた結果、Diceスコアは0.54に向上した。
• 病変検出器を統合することで、誤検出をフィルタリングし、Diceスコアは0.57にさらに向上した。
• 最終的な3D-CRF統合により、Diceスコアは0.59にまで上昇し、空間的一致性を向上させるための後処理の有効性が示された。
• 本手法はベースラインおよび中間構成を上回り、小型で低コントラストの病変に対して、検出器のガイダンスとCRF精緻化が有効であることが確認された。
• アブレーションスタディにより、学習を肝臓領域内のピxlsに限定することで、一般化性能が向上し、誤検出が減少することが確認され、アテンションメカニズムに類似した効果が得られた。