[論文レビュー] Generative Model-Based Ischemic Stroke Lesion Segmentation

Tao Song|arXiv (Cornell University)|Jun 6, 2019

Acute Ischemic Stroke Management参考文献 11被引用数 12

ひとこと要約

本論文は、CT灌注（CTP）データを用いた虚血性ストローク病変のセグメンテーションのための新しい生成モデルベースのフレームワークを提案する。抽出器、生成器、セグメンテーション器を統合し、臨床的に関連性のあるDWIに類似した画像を合成することで、病変検出を向上させる。ISLES 2018データセット上でエンド・ツー・エンドに訓練された本手法は、一般化されたDice係数と重み付き交差エントロピー損失を用いてデータの不均衡を効果的に扱うことで、最先端の性能を達成し、コンテストで1位を獲得した。

ABSTRACT

CT perfusion (CTP) has been used to triage ischemic stroke patients in the early stage, because of its speed, availability, and lack of contraindications. Perfusion parameters including cerebral blood volume (CBV), cerebral blood flow (CBF), mean transit time (MTT) and time of peak (Tmax) could also be computed from CTP data. However, CTP data or the perfusion parameters, are ambiguous to locate the infarct core or tissue at risk (penumbra), which is normally confirmed by the follow-up Diffusion Weighted Imaging (DWI) or perfusion diffusion mismatch. In this paper, we propose a novel generative modelbased segmentation framework composed of an extractor, a generator and a segmentor for ischemic stroke lesion segmentation. First, an extractor is used to directly extract the representative feature images from the CTP feature images. Second, a generator is used to generate the clinical relevant DWI images using the output from the extractor and perfusion parameters. Finally, the segmentor is used to precisely segment the ischemic stroke lesion using the generated DWI from the generator. Meanwhile, a novel pixel-region loss function, generalized dice combined with weighted cross entropy, is used to handle data unbalance problem which is commonly encountered in medical image segmentation. All networks are trained end-to-end from scratch using the 2018 Ischemic Stroke Lesion Segmentation Challenge (ISLES) dataset and our method won the first place in the 2018 ischemic stroke lesions segmentation challenge in the test stage.

研究の動機と目的

• 追跡的DWIスキャンがなければ解釈が難しい曇ったCTP灌注パラメータから虚血性ストローク病変を正確に同定するという課題に対処すること。
• 従来のセグメンテーション手法がCTPデータにのみ依存するという限界を克服し、病変の局在が不正確になりがちな状況を改善すること。
• CTPデータからDWIに類似した画像を合成する深層学習フレームワークを開発し、病変セグメンテーションの性能を向上させること。
• 一般化されたDice係数と重み付き交差エントロピーを組み合わせた新しいハイブリッド損失関数を用いて、医療画像セグメンテーションにおけるデータの不均衡を軽減すること。

提案手法

• 抽出器ネットワークは、CTPから得られる灌注パラメータ（CBV、CBF、MTT、Tmax）から直接代表的な特徴を抽出する。
• 生成器ネットワークは、抽出された特徴と灌注パラメータから、実際のDWIスキャンに類似した外観のDWIに類似した画像を合成する。
• セグメンテーション器ネットワークは、合成されたデータを入力として用い、生成されたDWI画像上で正確な病変セグメンテーションを実行する。
• 一般化されたDice係数と重み付き交差エントロピーを組み合わせた新しいピクセル・リージョン損失関数が導入され、病変セグメンテーションにおけるクラスの不均衡を処理する。
• すべてのコンponentsは、外部データでの事前学習を一切行わず、2018年ISLESデータセットからスクラッチでエンド・ツー・エンドに訓練される。
• 本フレームワークは、DWIの診断的関連性を活用し、トレーニング段階で実際のDWIスキャンが存在しない状況でも、セグメンテーションの正確性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 生成モデルがCTP灌注パラメータからDWIに類似した画像を効果的に合成できるか。その結果、虚血性ストローク病変のセグメンテーションが向上するか。
• RQ2 合成DWIデータを統合することで、CTPパラメータへの直接的なセグメンテーションと比較して、病変検出の正確性がどの程度向上するか。
• RQ3 一般化されたDice係数と重み付き交差エントロピーを組み合わせたハイブリッド損失関数が、ストローク病変セグメンテーションにおけるデータの不均衡をどの程度軽減できるか。
• RQ4 統合された生成器・セグメンテーション器フレームワークをエンド・ツー・エンドで訓練することで、段階的アプローチや事前学習手法に比べて優れた性能を示すか。
• RQ5 本手法は、追跡的DWIがすぐに利用できない実臨床環境においても一般化可能か。

主な発見

• 本手法は2018年虚血性ストローク病変セグメンテーションコンテストで最高のパフォーマンスを達成し、テストフェーズで1位を獲得した。
• DWIに類似した画像の合成に生成モデルを用いることで、CTPデータのみを用いたベースライン手法と比較して、病変セグメンテーションの正確性が顕著に向上した。
• 一般化されたDice係数と重み付き交差エントロピーを組み合わせたハイブリッド損失関数は、クラスの不均衡の影響を効果的に低減し、小さなまたは希な病変のより頑健なセグメンテーションを実現した。
• スクラッチからエンド・ツー・エンドで訓練した結果、事前学習モデルへの依存を排除した完全なパイプラインの有効性が示された。
• 本フレームワークは、推論段階で実際のDWIスキャンが不要な状況でも、DWIの診断的関連性を効果的に活用し、早期かつ正確なトリアージを可能にした。