[論文レビュー] Effects of Image Size on Deep Learning

Olivier Rukundo|arXiv (Cornell University)|Jan 27, 2021

Medical Imaging Techniques and Applications被引用数 5

ひとこと要約

本研究は、心筋MRI画像のセグメンテーションにおける深層学習性能に与える画像サイズの影響を調査し、遅延ガドリニウム強化（LGE）MRI画像の解像度を最適化するための新しい補間法およびマスク精錬戦略を提案する。結果として、より大きな画像（55.5% 手動MI定量と近い）は、より小さな画像（22.2% 手動MI定量と近い）と比較して、自動心筋梗塞測定の正確性が顕著に向上することが示された。

ABSTRACT

In this work, the best size for late gadolinium enhancement (LGE) magnetic resonance imaging (MRI) images in the training dataset was determined to optimize deep learning training outcomes. Non-extra pixel and extra pixel interpolation algorithms were used to determine the new size of the LGE-MRI images. A novel strategy was introduced to handle interpolation masks and remove extra class labels in interpolated ground truth (GT) segmentation masks. The expectation maximization, weighted intensity, a priori information (EWA) algorithm was used for quantification of myocardial infarction (MI) in automatically segmented LGE-MRI images. Arbitrary threshold, comparison of the sums, and sums of differences are methods used to estimate the relationship between semi-automatic or manual and fully automated quantification of myocardial infarction (MI) results. The relationship between semi-automatic and fully automated quantification of MI results was found to be closer in the case of bigger LGE MRI images (55.5% closer to manual results) than in the case of smaller LGE MRI images (22.2% closer to manual results).

研究の動機と目的

• 遅延ガドリニウム強化（LGE）MRIセグメンテーションにおける深層学習モデルのトレーニングに最適な画像サイズを特定すること。
• 画像補間における課題、特にマスクの歪みと正解セグメンテーションマスクにおける誤ったクラスラベルの問題に対処すること。
• 自動化された深層学習パイプラインを用いて心筋梗塞（MI）定量の正確性を向上させること。
• さまざまな画像解像度において、準自動的／手動と完全自動のMI定量の関係を評価すること。
• 医療画像解析における補間画像および正解マスクの処理に耐性のあるフレームワークの構築

提案手法

• LGE-MRI画像をより大きな次元にスケーリングするために、非エクストラピクセルおよびエクストラピクセル補間アルゴリズムを適用した。
• 補間マスクの処理と正解セグメンテーションマスクにおける誤ったクラスラベルの除去を目的とした、新しい戦略を導入した。
• 分類済みLGE-MRI画像におけるMI定量に、期待値最大化、重み付き強度、事前情報（EWA）アルゴリズムを用いた。
• 準自動的／手動と完全自動のMI定量結果の整合性を評価するために、和の比較および和の差の比較を実施した。
• 深層学習トレーニングに最適な解像度を特定するために、複数の画像サイズで性能を評価した。
• 画像前処理、深層学習セグメンテーション、および定量的MI分析を統合したマルチステージパイプラインを活用した。

実験結果

リサーチクエスチョン

• RQ1 画像サイズを拡大することで、LGE-MRIにおける自動心筋梗塞定量の正確性はどのように変化するか？
• RQ2 補間処理が、深層学習モデルにおけるセグメンテーションマスクの品質およびクラスラベルの整合性に与える影響は何か？
• RQ3 さまざまな画像解像度において、完全自動MI定量の性能は、準自動的および手動手法と比較してどうなるか？
• RQ4 新しいマスク精錬戦略は、画像拡大時に生じるアーティファクトおよび誤ったラベルを効果的に低減できるか？
• RQ5 手動MI測定と最も類似する結果を得るために、深層学習モデルをトレーニングするにあたり最適な画像サイズは何か？

主な発見

• より大きなLGE-MRI画像では、完全自動MI定量が手動結果と55.5%近づく一方、より小さな画像では22.2%近づくにとどまった。
• 提案された補間およびマスク精錬戦略により、誤ったクラスラベルが効果的に低減され、画像拡大時のセグメンテーション正確性が保持された。
• EWAアルゴリズムにより、自動的にセグメンテーションされたLGE-MRI画像におけるMI定量が安定し、手動測定と整合性が高まった。
• より大きな画像では、準自動的と完全自動のMI定量の関係が顕著に強くなったことから、モデルの一般化性能が向上したと示唆された。
• 画像サイズはモデル性能に顕著な影響を及ぼし、より大きな画像ではより信頼性が高く正確な自動セグメンテーション結果が得られた。
• 和の差および和の比較の結果、高解像度で自動と手動のMI測定間に強い相関関係が確認された。