[論文レビュー] Improving automated multiple sclerosis lesion segmentation with a cascaded 3D convolutional neural network approach

Sergi Valverde, Mariano Cabezas+8 more|arXiv (Cornell University)|Feb 16, 2017

Digital Imaging for Blood Diseases参考文献 33被引用数 15

ひとこと要約

本論文は、複数の強度モダリティ（T1-w、T2-w、FLAIR）を用いて、複数硬化症（MS）患者における白質病変の自動セグメンテーションを目的とした、段階的な3次元畳み込みニューラルネットワーク（CNN）を提案する。2段階の3次元CNNを用いることで感度を向上させるとともに、誤検出を低減する。本手法はMICCAI2008チャレンジにおいて、T1-w、T2-w、FLAIRを組み合わせた場合に60の手法中で1位を獲得し、T1-wとFLAIRのみを用いた場合でも上位3位以内に留まり、限られたトレーニングデータにおける高い汎化性能とデータ効率を示した。

ABSTRACT

In this paper, we present a novel automated method for White Matter (WM) lesion segmentation of Multiple Sclerosis (MS) patient images. Our approach is based on a cascade of two 3D patch-wise convolutional neural networks (CNN). The first network is trained to be more sensitive revealing possible candidate lesion voxels while the second network is trained to reduce the number of misclassified voxels coming from the first network. This cascaded CNN architecture tends to learn well from small sets of training data, which can be very interesting in practice, given the difficulty to obtain manual label annotations and the large amount of available unlabeled Magnetic Resonance Imaging (MRI) data. We evaluate the accuracy of the proposed method on the public MS lesion segmentation challenge MICCAI2008 dataset, comparing it with respect to other state-of-the-art MS lesion segmentation tools. Furthermore, the proposed method is also evaluated on two private MS clinical datasets, where the performance of our method is also compared with different recent public available state-of-the-art MS lesion segmentation methods. At the time of writing this paper, our method is the best ranked approach on the MICCAI2008 challenge, outperforming the rest of 60 participant methods when using all the available input modalities (T1-w, T2-w and FLAIR), while still in the top-rank (3rd position) when using only T1-w and FLAIR modalities. On clinical MS data, our approach exhibits a significant increase in the accuracy segmenting of WM lesions when compared with the rest of evaluated methods, highly correlating ($r \ge 0.97$) also with the expected lesion volume.

研究の動機と目的

• MRIを用いてMS患者における白質病変のセグメンテーションを自動的かつ高精度かつデータ効率よく行う手法の開発。
• 手動でアノテートされたトレーニングデータが限られるという課題に対処し、小規模なデータセットでもモデル性能を向上させる。
• 2段階のCNNキャスケードを用いて、感度を維持したまま誤検出を低減する。
• 公的および私的臨床データセットの両方で手法を評価し、さまざまな画像取得プロトコルにわたる堅牢性を確認する。
• 段階的な3次元CNNが、最小限のパrameterチューニングで小規模なトレーニングセットにおいて過学習を低減しつつ高い精度を達成できることを示す。

提案手法

• 2段階の段階的3次元CNNアーキテクチャを採用し、最初のネットワークが高感度で病変ボクセルの候補を特定する。
• 2番目のネットワークが最初のネットワークの候補を再評価し、困難なサンプルを再トレーニングすることで誤検出を低減する。
• 各CNNは、多様なコントラストMRI（T1-w、T2-w、FLAIR）からの3次元画像パッチ（サイズ11³）を入力とし、7層構造を有する。
• クラスの不均衡を緩和するため、非病変ボクセルのアンダーサンプリングを用いたクラスバランスの取れたサンプリングをトレーニングプロセスに適用し、一般化性能を向上させる。
• 本手法は1つのデータセット上でエンドツーエンドにトレーニングされるが、私的臨床データでテストした際、異なる画像ドメインにわたっても良好に汎化する。
• パrameter数を最小限（<190,000）に抑える設計により、トレーニングデータが限られる状況でも過学習を低減する。

実験結果

リサーチクエスチョン

• RQ1 段階的な3次元CNNアーキテクチャは、感度を維持したまま誤検出を低減することで、MSにおける病変セグメンテーションの精度を向上させることができるか？
• RQ2 本手法は、さまざまなMRI取得プロトコルや画像ドメインにわたってどれほど汎化するか？
• RQ3 段階的なCNNアプローチは、手動でアノテートされた限られたトレーニングデータでもどれほど高い性能を達成できるか？
• RQ4 公的および私的MS病変セグメンテーションベンチマークにおいて、本手法は最先端手法と比較してどの程度優れているか？
• RQ5 T1-w、T2-w、FLAIRの複数シーケンスMRIを用いることで、シングルまたはサブセットモダリティに比べてセグメンテーション性能が顕著に向上するか？

主な発見

• 本手法はMICCAI2008チャレンジで最高の性能を達成し、T1-w、T2-w、FLAIRの3モダリティを組み合わせた場合に60の参加手法中で1位を獲得した。
• T1-wとFLAIRの2モダリティでの使用時でも第3位にランクインし、入力構成にかかわらず高い堅牢性と汎化性能を示した。
• 私的臨床データセットでは、他の最先端手法と比較して顕著なセグメンテーション精度の向上を示した。
• 手動アノテーションによる病変体積と高い相関（r ≥ 0.97）を示し、専門医の読影結果と強い一貫性を示した。
• 段階的アーキテクチャは、パrameter数を最小限（<190,000）に抑え、小規模なデータセットでも過学習を回避しながら高い性能を達成した。
• 最初のネットワークの出力から最も困難なサンプルを再トレーニング対象として選別し、2番目のネットワークを再学習することで、感度を損なわずに特異性を向上させた。