[論文レビュー] Fully-automatic segmentation of kidneys in clinical ultrasound images using a boundary distance regression network

Shi Yin, Zhengqiang Zhang+6 more|arXiv (Cornell University)|Jan 5, 2019

Advanced Neural Network Applications参考文献 20被引用数 4

ひとこと要約

本稿では、境界距離回帰ネットワークを用いて、臨床的超音波画像における完全自動腫瘍分離手法を提案する。事前学習された特徴量と腫瘍境界までの距離マップの学習を活用することで、標準的なピクセル分類ネットワークよりも分離精度が向上し、多様な解剖学的形状と強度分布を示す挑戦的な超音波データにおいて、最先端の性能を達成した。

ABSTRACT

It remains challenging to automatically segment kidneys in clinical ultrasound images due to the kidneys' varied shapes and image intensity distributions, although semi-automatic methods have achieved promising performance. In this study, we developed a novel boundary distance regression deep neural network to segment the kidneys, informed by the fact that the kidney boundaries are relatively consistent across images in terms of their appearance. Particularly, we first use deep neural networks pre-trained for classification of natural images to extract high-level image features from ultrasound images, then these feature maps are used as input to learn kidney boundary distance maps using a boundary distance regression network, and finally the predicted boundary distance maps are classified as kidney pixels or non-kidney pixels using a pixel classification network in an end-to-end learning fashion. Experimental results have demonstrated that our method could effectively improve the performance of automatic kidney segmentation, significantly better than deep learning based pixel classification networks.

研究の動機と目的

• 変動する腫瘍の形状と強度分布に起因する臨床的超音波画像における自動腫瘍分離の課題に対処すること。
• 手動または準自動的手法への依存を低減する完全自動手法を開発すること。
• 多様な超音波画像における境界の一貫性をモデル化することで、分離精度を向上させること。
• 深層特徴抽出と境界に配慮した回帰を統合し、頑健な臓器輪郭抽出を実現すること。

提案手法

• 自然画像分類のための事前学習済み深層ニューラルネットワークを活用し、超音波画像からの高レベル特徴量を抽出する。
• 境界距離回帰ネットワークを用いて、各ピクセルから最も近い腫瘍境界までの距離マップを予測する。
• 予測された距離マップを用いてピクセルを腫瘍または非腫瘍に分類する、エンドツーエンドの学習フレームワークを適用する。
• 距離マップを活用したピクセル分類ネットワークを用い、最終的な分離予測を実行する。
• 分離性能を最適化するために、全システムをエンドツーエンドで学習する。
• 患者間での腫瘍境界の幾何学的一貫性を活用し、一般化性能と耐障害性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 標準的なピクセル分類手法と比較して、境界距離回帰は超音波画像における腫瘍分離性能を向上させることができるか？
• RQ2 自然画像から得た事前学習特徴量を用いることで、医療的超音波画像分離の性能はどの程度向上するか？
• RQ3 境界の一貫性をモデル化することで、多様な腫瘍形状と画像強度において、分離精度はどの程度向上するか？
• RQ4 特徴抽出、距離回帰、分類を統合したエンドツーエンド学習フレームワークは、既存のディープラーニングベースラインを上回る性能を発揮できるか？

主な発見

• 提案手法は、腫瘍分離精度において、標準的なディープラーニングベースのピクセル分類ネットワークを顕著に上回った。
• 境界距離マップの活用により、特にコントラストが低くノイズが多い超音波画像においても、腫瘍境界のより正確な局所化が可能になった。
• 自然画像から得た事前学習特徴量の統合により、超音波画像における特徴表現が向上し、一般化性能が向上した。
• エンドツーエンドの学習戦略により、パイプライン全体が効果的に最適化され、頑健な分離性能が得られた。
• 多様な患者集団とスキャンプロトコルにわたり、強い一般化性能を示した。
• 評価されたデータセットにおいて、最先端の性能を達成し、医療画像分離における境界に配慮した回帰の有効性を確認した。