[論文レビュー] Distance Map Loss Penalty Term for Semantic Segmentation

Francesco Calivá, Claudia Iriondo+3 more|arXiv (Cornell University)|Aug 10, 2019

Medical Imaging and Analysis参考文献 9被引用数 25

ひとこと要約

本論文は、3D MRIにおける骨構造の意味的セグメンテーションを向上させるために、距離マップに基づく損失ペナルティ項を提案する。この手法は、物体のエッジ付近での誤差に重みを付けることで境界の正確性を向上させる。この方法により境界Diceスコアが著しく向上（Dice損失と比較して28.83% vs. 26.73%）、グローバルDice性能は高い水準を維持し、形状の保持を重視する点で、ファーカル損失や他の最先端の損失関数を上回る。

ABSTRACT

Convolutional neural networks for semantic segmentation suffer from low performance at object boundaries. In medical imaging, accurate representation of tissue surfaces and volumes is important for tracking of disease biomarkers such as tissue morphology and shape features. In this work, we propose a novel distance map derived loss penalty term for semantic segmentation. We propose to use distance maps, derived from ground truth masks, to create a penalty term, guiding the network's focus towards hard-to-segment boundary regions. We investigate the effects of this penalizing factor against cross-entropy, Dice, and focal loss, among others, evaluating performance on a 3D MRI bone segmentation task from the publicly available Osteoarthritis Initiative dataset. We observe a significant improvement in the quality of segmentation, with better shape preservation at bone boundaries and areas affected by partial volume. We ultimately aim to use our loss penalty term to improve the extraction of shape biomarkers and derive metrics to quantitatively evaluate the preservation of shape.

研究の動機と目的

• 3D医療画像セグメンテーションにおけるオブジェクト境界でのパフォーマンスが低いという継続的な課題に対処すること。
• 特に変形性関節症において、バイオマーカー追跡のための組織表面および体積表現の正確性を向上させること。
• 正解マスクから導出された距離マップを用いて、解剖学的境界付近の誤差を明示的にペナルティ化する損失関数の開発。
• 部分体積効果に影響を受ける複雑な境界領域を有する3D MRIデータセット上で、この手法を評価すること。
• 形状に配慮した損失関数が、優れたセグメンテーション品質および形態的特徴のより良い保持をもたらすことを示すこと。

提案手法

• 正解セグメンテーションマスクを用いて距離変換により距離マップを生成し、その後逆転させることで、境界付近のボクセルに高い重みが割り当てられるようにする。
• 大腿骨、脛骨、膝蓋骨ごとに個別に内部距離マップを計算し、サイズの違いを考慮した後、統合する。
• ペナルティ付き多クラス交差エントロピー損失を $\mathscr{L} = \frac{1}{N}\sum_{i=1}^{N}(1+\Phi)\odot\sum_{j=1}^{K}-y_j\log\hat{y}_j$ として定式化する。ここで $\Phi$ は距離マップ、$\odot$ はハダマード積を表す。
• 距離マップ $\Phi$ に1を加えることで、バックプロパゲーションにおける勾配の消失を防ぐ。
• この手法は、アダム最適化法とランダムな平面内回転を用いたデータ拡張を伴うV-Netアーキテクチャに統合される。
• セグメンテーション結果は、3Dモルフォロジカルクロージング処理と、最大3つの連結成分の抽出を用いて後処理される。

実験結果

リサーチクエスチョン

• RQ1 距離マップから導出された損失ペナルティは、3D MRIにおけるオブジェクト境界でのセグメンテーション精度を向上させることができるか？
• RQ2 本手法の損失は、交差エントロピー、Dice、ファーカル損失、確信度予測ペナルティ損失といった標準損失と比較して、境界検出においてどのように性能を発揮するか？
• RQ3 本手法は、部分体積効果に起因する領域（例：関節間接合部、脛骨頭）においても解剖学的形状を保持し、誤差を低減できるか？
• RQ4 非常に変動する構造サイズを持つ多クラス3D環境において、この損失ペナルティを効果的に適用できるか？
• RQ5 形状に配慮した損失は、形態的バイオマーカー抽出のための指標を向上させるか？

主な発見

• 提案された損失は、境界Diceスコア（B-DSC）が28.83% ± 4.45%を達成し、Dice損失（26.73% ± 5.40%）や他のベースラインを著しく上回った。
• グローバルDiceスコア（G-DSC）は96.42% ± 0.80%を示し、全体的なセグメンテーション性能が優れており、Dice損失（96.34% ± 1.21%）やファーカル損失（95.00% ± 1.00%）を上回った。
• 部分体積効果に起因する領域、例えば関節間接合部や脛骨頭においても、本手法は優れた性能を示した。
• 距離マップペナルティは、ネットワークが困難なセグメンテーション境界領域に注目するのを効果的に導き、エッジ誤差を低減した。
• 本手法はクラス不均衡に対して頑健であり、顕著に不均衡なデータセットへの容易な適用が可能である。
• 他の手法とは異なり、微調整を必要とせず、高い性能を維持している。