[論文レビュー] Elastic Boundary Projection for 3D Medical Image Segmentation

Tianwei Ni, Lingxi Xie+3 more|arXiv (Cornell University)|Dec 3, 2018

Advanced Neural Network Applications参考文献 33被引用数 6

ひとこと要約

本稿では、3次元空間内のピボットポイントの周囲を繰り返し弾性シェルで変形させることで臓器境界に収束させる、Elastic Boundary Projection (EBP) と呼ばれる新規手法を提案する。EBPは低メモリ使用量で競争力あるセグメンテーション精度を達成し、パッチ/スライス統合の問題を回避するとともに、複数のピボットを用いた効率的なデータ拡張を可能にし、腹部CTスキャンにおいて2Dおよび3Dベースラインを上回る性能を発揮する。

ABSTRACT

We focus on an important yet challenging problem: using a 2D deep network to deal with 3D segmentation for medical image analysis. Existing approaches either applied multi-view planar (2D) networks or directly used volumetric (3D) networks for this purpose, but both of them are not ideal: 2D networks cannot capture 3D contexts effectively, and 3D networks are both memory-consuming and less stable arguably due to the lack of pre-trained models. In this paper, we bridge the gap between 2D and 3D using a novel approach named Elastic Boundary Projection (EBP). The key observation is that, although the object is a 3D volume, what we really need in segmentation is to find its boundary which is a 2D surface. Therefore, we place a number of pivot points in the 3D space, and for each pivot, we determine its distance to the object boundary along a dense set of directions. This creates an elastic shell around each pivot which is initialized as a perfect sphere. We train a 2D deep network to determine whether each ending point falls within the object, and gradually adjust the shell so that it gradually converges to the actual shape of the boundary and thus achieves the goal of segmentation. EBP allows boundary-based segmentation without cutting a 3D volume into slices or patches, which stands out from conventional 2D and 3D approaches. EBP achieves promising accuracy in abdominal organ segmentation. Our code has been open-sourced https://github.com/twni2016/Elastic-Boundary-Projection.

研究の動機と目的

• 2Dおよび3Dネットワークの3次元医療画像セグメンテーションにおける限界、特に不安定さと高メモリ使用量を解消すること。
• スライシングやパッチ処理を伴わずに、安定的かつ事前学習済みの2Dネットワークを用いて全ボリュームの3次元セグメンテーションを可能にすること。
• 3次元空間における複数のピボットポイントを用いることで、豊富なトレーニングサンプルを生成し、データ効率を向上させること。
• 球面座標における2次元表面としてのオブジェクト境界をモデル化することで、正確な境界検出を実現すること。

提案手法

• EBPは、3次元ピボットポイントの周囲に完全な球体として初期化された弾性シェルを定義し、複数の角度方向における半径距離でパラメータ化する。
• 2次元ディープネットワークが、各径方向の端点が目的臓器の内部にあるか外部にあるかを予測し、半径の反復的調整を誘導する。
• ネットワークの予測に基づいて半径を増加または減少させることでシェルを繰り返し変形させ、真の境界面に収束させる。
• 複数のピボットを3次元ボリューム全体に配置し、重複する境界推定値を生成することで、頑健な3次元再構成を実現する。
• 孤立したピボットからの外れ値点はカーネル密度推定（KDE）を用いてフィルタリングされ、濃度が高く一貫性のある境界信号のみが保持される。
• 最終的なセグメンテーションは、内部ピボットの収束したシェルから再構成され、隣接ピボット間のDice類似係数（DSC）を用いて一貫性が検証される。

実験結果

リサーチクエスチョン

• RQ1 2次元ディープネットワークは、直接的な3次元学習や2次元スライス処理を伴わずに、3次元ボリューム構造を効果的にセグメンテーションできるか？
• RQ2 境界に基づくセグメンテーションを、2次元ネットワークの利点を活かせる球面座標における2次元問題としてどのように定式化できるか？
• RQ3 多様な3次元解剖的形状に対し、弾性シェル変形が真の臓器境界に信頼性高く収束できるか？
• RQ4 複数のピボットを用いることで、データが限られた医療画像セグメンテーションにおけるデータ効率とロバスト性がどの程度向上できるか？
• RQ5 3次元再構成の過程で、外側のピボットからの不一致または外れ値予測をどのようにフィルタリングできるか？

主な発見

• EBPは、腹部CTスキャンにおいて2Dおよび3Dの最先端手法と同等のセグメンテーション性能を達成し、優れた一般化能力を示した。
• 内部ピボット同士のペア間の平均DSCは73.46%であり、内部-外部ピボットペアの51.39%と比べて顕著に高い。これは臓器内の一貫性を確認するものである。
• ピボットが臓器内部から外部に移動する際に、ピボット間DSCが急激に低下する現象が観察され、境界近接の信頼性ある検出を示している。
• パッチ処理やスライシングを伴わず、局所的予測の複雑な統合を回避して、3次元臓器境界を効果的に再構成できた。
• 1ピボットあたり10イタレーション（完全収束ではなく）でさえ、密なサンプリングと外れ値フィルタリングのおかげで正確な再構成が可能であった。
• 1つのアノテート済みボリュームから複数のピボット配置を用いることで、多数のトレーニングケースを生成できるため、EBPは効率的なデータ拡張を可能にする。