[論文レビュー] Global Deep Learning Methods for Multimodality Isointense Infant Brain Image Segmentation.

Zhengyang Wang, Na Zou+2 more|arXiv (Cornell University)|Dec 10, 2018

Advanced Neural Network Applications参考文献 42被引用数 5

ひとこと要約

本論文は、等強度状態（6〜8か月）の乳児脳MRI画像における脳脊髄液（CSF）、灰色巻髄（GM）、白質（WM）のボクセル単位分類を向上させるために、グローバルアグリゲーションブロックを備えた3D U-Netベースの深層学習モデルを提案する。アップサンプリング中の情報損失を低減するとともに、グローバルな文脈を効果的に統合することで、マルチモodalな3D乳児脳MRI分類データセットにおいて最先端の性能を達成した。

ABSTRACT

An important step in early brain development study is to perform automatic segmentation of infant brain magnetic resonance (MR) images into cerebrospinal fluid (CSF), gray matter (GM) and white matter (WM) regions. This task is especially challenging in the isointense stage (approximately 6-8 months of age) when GM and WM exhibit similar levels of intensities in MR images. Deep learning has shown its great promise in various image segmentation tasks. However, existing models do not have an efficient and effective way to aggregate global information. They also suffer from information loss during up-sampling operations. In this work, we address these problems by proposing a global aggregation block, which can be flexibly used for global information fusion. We build a novel model based on 3D U-Net to make fast and accurate voxel-wise dense prediction. We perform thorough experiments, and results indicate that our model outperforms previous best models significantly on 3D multimodality isointense infant brain MR image segmentation.

研究の動機と目的

• GMとWMの信号強度が類似する等強度状態（6〜8か月）における乳児脳MRI画像の分類の課題に対処すること。
• 従来の深層学習モデルがグローバルな文脈的情報を効果的に統合できないという限界を克服すること。
• U-Netアーキテクチャで一般的なアップサンプリング処理における情報損失を低減すること。
• 3D医療画像分類における効率的なグローバル特徴統合を可能にする柔軟なグローバルアグリゲーションブロックの開発。
• 先行の最先端手法と比較して、マルチモーダルな3D等強度状態乳児脳MRI画像において優れた分類精度を達成すること。

提案手法

• 全特徴マップの空間的およびチャネルワイドな特徴を集約することで、長距離依存関係を捉えるグローバルアグリゲーションブロックを導入する。
• 複数スケールでの特徴表現を強化するために、3D U-Netアーキテクチャにグローバルアグリゲーションブロックを統合する。
• 即座に統合可能なプラグアンドプレイ型としてブロックを設計し、既存のU-Netベースのモデルへの柔軟な統合を可能にする。
• 3D畳み込み層とスキップ接続を用いて、アップサンプリング中の空間分解能を保持し、情報損失を低減する。
• T1、T2、PDなどのマルチモーダルMRI画像を用いて、等強度領域における組織の区別を向上させるために、エンドツーエンドでモデルを学習する。
• グローバルアグリゲーションブロック内に空間的およびチャネルワイドなアテンション機構を導入し、関連する特徴に焦点を当てる。

実験結果

リサーチクエスチョン

• RQ1 長距離特徴モデリングを向上させることで、グローバルアグリゲーションブロックが3Dマルチモーダル等強度状態乳児脳MRI画像における分類精度を向上させられるか？
• RQ2 標準的なU-Netのスキップ接続と比較して、提案されたグローバルアグリゲーションブロックはアップサンプリング中に文脈的情報をどの程度効果的に保持できるか？
• RQ3 強度がほぼ同一であるGMとWMの組織差別化において、グローバルコンテキストの統合がどの程度効果を発揮するか？
• RQ4 本モデルは、等強度状態乳児脳MRI分類のベンチマークデータセットにおいて、既存の最先端手法を上回る性能を示すか？
• RQ5 限られた学習データを有する異なる3D医療画像分類タスクにおいて、グローバルアグリゲーションブロックの汎用性はどの程度か？

主な発見

• 提案モデルは、3Dマルチモーダル等強度状態乳児脳MRI画像分類において、従来の最先端手法よりも顕著な性能向上を達成した。
• グローバルアグリゲーションブロックは長距離依存関係を効果的に捉えており、GMおよびWMの組織境界の明確化を改善した。
• 強化されたスキップ接続により、アップサンプリング中に高分解能特徴を保持することで、情報損失を低減した。
• 定量的評価では、ベースラインモデルと比較して、すべての組織クラス（CSF、GM、WM）においてDiceスコアが向上した。
• アブレーションスタディの結果、グローバルアグリゲーションブロックが分類精度の向上に有効であることが確認された。
• T1、T2、PDなどの異なるMRIコントラストにおいてもモデルが良好に一般化しており、モダリティの変動に対して頑健であることが示された。