[論文レビュー] Fully Automatic Segmentation of 3D Brain Ultrasound: Learning from Coarse Annotations

Julia Rackerseder, Rüdiger Göbl+2 more|arXiv (Cornell University)|Apr 18, 2019

Medical Image Segmentation Techniques参考文献 22被引用数 4

ひとこと要約

本論文は、模擬的超音波スキャンの事前学習を用いたDenseVNetを用いて、完全自動の3次元脳超音波画像分離手法を提案している。訓練は粗く不完全な半自動アノテーションに基づいて行われるが、画像登録のための頑健な初期化が可能である。本手法はDiceスコア0.47±0.10および平均表面距離0.71±0.38 mmを達成し、ベースラインモデルを上回り、入力アノテーションよりも完全で一般化性の高い分離結果を生成している。

ABSTRACT

Intra-operative ultrasound is an increasingly important imaging modality in neurosurgery. However, manual interaction with imaging data during the procedures, for example to select landmarks or perform segmentation, is difficult and can be time consuming. Yet, as registration to other imaging modalities is required in most cases, some annotation is necessary. We propose a segmentation method based on DeepVNet and specifically evaluate the integration of pre-training with simulated ultrasound sweeps to improve automatic segmentation and enable a fully automatic initialization of registration. In this view, we show that despite training on coarse and incomplete semi-automatic annotations, our approach is able to capture the desired superficial structures such as extit{sulci}, the extit{cerebellar tentorium}, and the extit{falx cerebri}. We perform a five-fold cross-validation on the publicly available RESECT dataset. Trained on the dataset alone, we report a Dice and Jaccard coefficient of $0.45 \pm 0.09$ and $0.30 \pm 0.07$ respectively, as well as an average distance of $0.78 \pm 0.36~mm$. With the suggested pre-training, we computed a Dice and Jaccard coefficient of $0.47 \pm 0.10$ and $0.31 \pm 0.08$, and an average distance of $0.71 \pm 0.38~mm$. The qualitative evaluation suggest that with pre-training the network can learn to generalize better and provide refined and more complete segmentations in comparison to incomplete annotations provided as input.

研究の動機と目的

• 手動アノテーションへの依存を低減させることを目的とした、3次元脳超音波画像の完全自動分離による手術内画像登録の実現。
• 3次元超音波画像において限られた、粗い、不完全な真値アノテーションの課題に対処するため、シミュレーションベースの事前学習を活用。
• 脳シフトや低品質な入力データが存在する状況下でも、分離モデルの頑健性と一般化性能を向上。
• 入力アノテーションよりも完全で洗練された分離結果を生成する手法を開発し、登録初期化に適したものとする。
• 少数のデータセット（23例）と低品質なラベルでさえも、深層学習が臨床的に有用な分離出力を得られることを示す。

提案手法

• 3次元脳超音波分離のための完全畳み込み型DenseVNetアーキテクチャを採用し、ボリュメトリック超音波データからのエンドツーエンド学習を可能に。
• 実データへのファインチューニングの前段階として、シミュレーションで生成された合成的超音波スキャンを用いた事前学習を実施し、特徴の学習と一般化性能を向上。
• モデルは、従来の手法に基づく粗く不完全な半自動分離結果にのみ訓練され、誤差や欠損領域を含む。
• パブリックに利用可能なRESECTデータセットを用い、被験者間での性能評価を信頼性高く行うために5分割交差検証を適用。
• 評価指標には、Dice係数、Jaccard指数、平均表面距離、ハウスドルフ距離を用い、分離精度と完全性を評価。
• 定性的分析では、予測分離結果と手動による真値、粗い入力アノテーションを比較し、洗練度と構造カバレッジの向上を評価。

実験結果

リサーチクエスチョン

• RQ1 粗く不完全な半自動アノテーションのみで学習された深層学習モデルが、完全自動の3次元脳超音波画像分離を達成できるか？
• RQ2 高品質な真値が存在しない状況下で、模擬的超音波スキャンの事前学習が3次元超音波分離モデルの一般化性能と精度を向上させるか？
• RQ3 入力が欠損や誤りを含んでも、得られる分離結果が入力の粗いアノテーションよりも完全で洗練されたものになるか？
• RQ4 特に脳シフトや画像品質が悪い場合に、モデルの被験者間での一般化性能はどの程度高いか？
• RQ5 臨床的ニーズとしての頑健で自動化された初期化が求められる神経外科学研究における画像登録に、本手法が適しているか？

主な発見

• 事前学習を施した場合、Dice係数は0.47±0.10、Jaccard指数は0.31±0.08を達成し、ベースライン（0.45±0.09および0.30±0.07）と比較して統計的に有意な向上を示した。
• 平均表面距離は事前学習で0.71±0.38 mmにまで低下し、事前学習なしの0.78±0.36 mmと比較して幾何的精度が向上した。
• Diceスコアが低くても、予測分離結果は入力アノテーションよりも完全で、被験体の構造（例：回溝、大脳回隔膜、小脳幕）をより多くカバーしている。
• 被験者間での一般化性能が高く、入力ラベルが欠損や誤りを含んでも、定性的に洗練され整合性のある分離結果が得られている。
• 被験者1および21は、入力アノテーションが著しく不良なため外れ値とされるが、モデルは依然として手動真値に比べてはるかに近い分離結果を生成している。
• ハウスドルフ距離は両設定で高い値（20.70±5.64 mm）を示しているが、平均距離は低く、全体的な整合性が良いことを示している。