[論文レビュー] High-level Prior-based Loss Functions for Medical Image Segmentation: A Survey

Rosana El Jurdia, Caroline Petitjean+3 more|arXiv (Cornell University)|Nov 16, 2020

Advanced Neural Network Applications参考文献 34被引用数 9

ひとこと要約

本調査では、深層学習に基づく医療画像セグメンテーションにおける解剖学的整合性を向上させるために、ハイレベルの事前知識に基づく損失関数を導入する。形状、サイズ、トポロジー、領域間制約といった事前知識を直接損失関数に埋め込むことで、境界の正確性が向上し、セグメンテーション誤差が低減される。現在のアプローチを体系的に分類・分析した。

ABSTRACT

Today, deep convolutional neural networks (CNNs) have demonstrated state of the art performance for supervised medical image segmentation, across various imaging modalities and tasks. Despite early success, segmentation networks may still generate anatomically aberrant segmentations, with holes or inaccuracies near the object boundaries. To mitigate this effect, recent research works have focused on incorporating spatial information or prior knowledge to enforce anatomically plausible segmentation. If the integration of prior knowledge in image segmentation is not a new topic in classical optimization approaches, it is today an increasing trend in CNN based image segmentation, as shown by the growing literature on the topic. In this survey, we focus on high level prior, embedded at the loss function level. We categorize the articles according to the nature of the prior: the object shape, size, topology, and the inter-regions constraints. We highlight strengths and limitations of current approaches, discuss the challenge related to the design and the integration of prior-based losses, and the optimization strategies, and draw future research directions.

研究の動機と目的

• 深層畳み込みニューラルネットワーク（CNN）を用いた医療画像セグメンテーションにおいて、物体境界付近で顕著な解剖学的に不自然なセグメンテーションが続く問題に対処すること。
• トレーニング中にハイレベルの事前知識を損失関数に埋め込む最近のアプローチを体系的に分類すること。
• 教師あり医療画像セグメンテーションにおける事前知識ベースの損失関数の強み、限界、最適化戦略を分析すること。
• 効果的な事前知識ベースの損失関数の設計と統合における未解決の課題と今後の研究方向性を特定すること。

提案手法

• ハイレベルの事前知識の種別（物体の形状、サイズ、トポロジー、領域間制約）に基づいて、事前知識ベースの損失関数を分類すること。
• 空間的および構造的事前知識が損失関数にどのようにエンコードされるかを分析すること。
• ネットワークアーキテクチャや後処理ではなく、損失レベルでの事前知識統合の評価。
• 事前知識を意識した損失関数を用いたモデルのトレーニングに用いられる最適化戦略の調査。特に勾配の安定性と収束特性に注目。
• 形状に配慮する正則化子やトポロジー整合性損失など、異なる形式の事前知識ベース損失関数の比較。
• 微分可能勾配を介して、事前制約を統合したエンドツーエンドのトレーニングを可能にする役割の強調。

実験結果

リサーチクエスチョン

• RQ1 形状、サイズ、トポロジー、領域間関係といった異なる種類のハイレベル事前知識が、セグメンテーション性能にどのように影響を与えるか？
• RQ2 トレーニングの安定性を損なわずに、事前知識を損失関数に統合するための最も効果的な戦略は何か？
• RQ3 境界の正確性と解剖学的整合性の観点から、従来の損失関数と比較して、事前知識ベースの損失関数はどのように異なるか？
• RQ4 多様な医療画像診断タスクに適応するための、効果的な事前知識ベース損失関数の設計と最適化における主な課題は何か？
• RQ5 医療画像セグメンテーション分野における事前知識ベース損失関数の発展に向け、最も有望な今後の研究方向性は何か？

主な発見

• 事前知識ベースの損失関数は、解剖学的整合性を強制することで、特に物体境界付近でのセグメンテーション精度を顕著に向上させる。
• 形状およびトポロジーの事前知識は、複雑な解剖学的構造におけるセグメンテーションの穴や不規則性を低減するのに特に効果的である。
• 領域間制約は、腹部や心臓のMRI画像セグメンテーションなど、隣接する構造物間の空間的一致性を維持するのを助ける。
• 損失レベルでの事前知識統合は、ネットワークアーキテクチャの変更や後処理よりも柔軟でトレーニングに適したアプローチである。
• 利点がある一方で、多様な画像モodalitiesに一般化可能な微分可能で安定した、効果的な事前知識ベース損失関数の設計には課題が残っている。
• 今後の研究は、学習可能な事前知識と適応的損失重み付けに焦点を当てるべきであり、これにより耐障害性と一般化性能が向上する。