[論文レビュー] Dual-branch residual network for lung nodule segmentation

Haichao Cao, Hong Liu+6 more|arXiv (Cornell University)|May 21, 2019

Lung Cancer Diagnosis and Treatment参考文献 50被引用数 10

ひとこと要約

本稿では、中心強度プーリング層を介した強度特徴と畳み込み特徴の統合を実現する二重枝構造を採用した二重枝残差ネットワーク（DB-ResNet）を提案し、CTスキャンにおける肺結節の正確なセグメンテーションを実現する。この手法は、多視角および多スケール特徴を活用し、LIDCデータセット上で平均Diceスコア82.74%を達成し、4名のレントゲン専門医を0.49ポイント上回った。

ABSTRACT

An accurate segmentation of lung nodules in computed tomography (CT) images is critical to lung cancer analysis and diagnosis. However, due to the variety of lung nodules and the similarity of visual characteristics between nodules and their surroundings, a robust segmentation of nodules becomes a challenging problem. In this study, we propose the Dual-branch Residual Network (DB-ResNet) which is a data-driven model. Our approach integrates two new schemes to improve the generalization capability of the model: 1) the proposed model can simultaneously capture multi-view and multi-scale features of different nodules in CT images; 2) we combine the features of the intensity and the convolution neural networks (CNN). We propose a pooling method, called the central intensity-pooling layer (CIP), to extract the intensity features of the center voxel of the block, and then use the CNN to obtain the convolutional features of the center voxel of the block. In addition, we designed a weighted sampling strategy based on the boundary of nodules for the selection of those voxels using the weighting score, to increase the accuracy of the model. The proposed method has been extensively evaluated on the LIDC dataset containing 986 nodules. Experimental results show that the DB-ResNet achieves superior segmentation performance with an average dice score of 82.74% on the dataset. Moreover, we compared our results with those of four radiologists on the same dataset. The comparison showed that our average dice score was 0.49% higher than that of human experts. This proves that our proposed method is as good as the experienced radiologist.

研究の動機と目的

• 形態的多様性と組織の類似性のため、CT画像における肺結節セグメンテーションの正確性を確保する課題に対処すること。
• 肺結節からの多スケールおよび多視角特徴を捉えることで、モデルの汎化性能を向上させること。
• 強度ベース特徴と深層畳み込み特徴を統合することで、特徴表現を強化すること。
• 境界の信頼性スコアに基づく重み付きサンプリング戦略を用いて、結節境界の誤分類を低減すること。

提案手法

• DB-ResNetは二重の並列ブランチを採用：一方は3Dボクセルブロックの中心ボクセルから中心強度プーリング層（CIP）を介して強度特徴を抽出し、他方はCNNを介して空間特徴を学習する。
• CIP層は、3Dボクセルブロックの中心領域からの統計的強度特徴（例：平均、分散）を計算し、局所的なテクスチャ情報を保持する。
• 重み付きサンプリング戦略により、結節境界付近のボクセルに高いスコアが割り当てられ、境界領域の学習が向上する。
• 両ブランチからの特徴は連結され、アイデンティティショートカットを備えた残差ブロックを経て処理され、深層ネットワークの学習が可能になる。
• 不均衡な結節対背景比に対処するため、クラスバランスを考慮した交差エントロピー損失を用いて、エンドツーエンドでモデルを訓練する。
• 推論段階では、異なる受容野からの予測を集約するための多スケール推論戦略が適用され、より高いロバストネスが得られる。

実験結果

リサーチクエスチョン

• RQ1 二重枝アーキテクチャは、強度特徴と深層畳み込み特徴を効果的に統合し、結節セグメンテーションを向上させることができるか？
• RQ2 多スケールおよび多視角特徴学習は、多様な肺結節におけるセグメンテーション性能をどのように向上させるか？
• RQ3 境界に配慮したサンプリング戦略は、結節縁における誤分類を低減できるか？
• RQ4 提案手法は、標準ベンチマーク上での専門医のセグメンテーション精度を上回ることができるか？
• RQ5 CIP層は、3D結節における局所的テクスチャおよび強度パターンの保持にどの程度寄与するか？

主な発見

• DB-ResNetは、986個の肺結節を含むLIDC-IDRIデータセット上で平均Diceスコア82.74%を達成した。
• モデルは4名の経験豊富なレントゲン専門医を0.49ポイント上回る平均Diceスコアを達成し、優れた性能を示した。
• 除去実験により、二重枝特徴統合と重み付きサンプリング戦略の両方が性能向上に顕著な寄与をしたことが確認された。
• CIP層は、特に異質な結節領域において、局所的強度パターンを捉えることで特徴表現を向上させた。
• 多スケール推論戦略により、特に小形および不規則形状の結節においてロバストネスが向上した。
• 本モデルは、サイズ、形状、テクスチャが異なる結節に対しても優れた汎化性能を示し、高い適応性を有することがわかった。