[論文レビュー] Improving Segmentation of Objects with Varying Sizes in Biomedical Images using Instance-wise and Center-of-Instance Segmentation Loss Function

Muhammad Febrian Rachmadi, Charissa Poon+1 more|arXiv (Cornell University)|Apr 13, 2023

Advanced Neural Network Applications被引用数 6

ひとこと要約

本論文は、インスタンス単位およびインスタンス中心（ICI）損失と呼ばれる、インスタンス単位とインスタンス中心の正則化を組み合わせることで、サイズが異なるオブジェクトを有する生体医療画像のセグメンテーションを向上させる、新規の複合損失関数を提案する。Dice損失およびblob損失を著しく上回り、脳卒中巣のセグメンテーションタスクにおいて、Dice係数の平均で2.7%の向上を達成した。

ABSTRACT

In this paper, we propose a novel two-component loss for biomedical image segmentation tasks called the Instance-wise and Center-of-Instance (ICI) loss, a loss function that addresses the instance imbalance problem commonly encountered when using pixel-wise loss functions such as the Dice loss. The Instance-wise component improves the detection of small instances or ``blobs" in image datasets with both large and small instances. The Center-of-Instance component improves the overall detection accuracy. We compared the ICI loss with two existing losses, the Dice loss and the blob loss, in the task of stroke lesion segmentation using the ATLAS R2.0 challenge dataset from MICCAI 2022. Compared to the other losses, the ICI loss provided a better balanced segmentation, and significantly outperformed the Dice loss with an improvement of $1.7-3.7\%$ and the blob loss by $0.6-5.0\%$ in terms of the Dice similarity coefficient on both validation and test set, suggesting that the ICI loss is a potential solution to the instance imbalance problem.

研究の動機と目的

• 大規模オブジェクトが小規模オブジェクトを圧倒する、生体医療画像セグメンテーションにおけるインスタンスの不均衡問題に対処すること。
• 混合サイズのオブジェクトを有するMRIスキャンにおいて、小規模で疎なインスタンス（例：脳卒中巣）の検出を改善すること。
• インスタンス単位およびインスタンス中心の監視を組み合わせた損失関数を開発し、オブジェクトサイズにわたるセグメンテーション精度を向上させること。
• 臨床的意義を持つ実世界のチャレンジデータセット（ATLAS R2.0）において、ICI損失の有効性を実証すること。
• 特にパッチベースおよび全画像推論において、詳細なチューニングが不要な、ハイパーパrameterに強い安定した損失を提供すること。

提案手法

• 2成分の損失関数を提案：インスタンス単位損失（L_instance）とインスタンス中心損失（L_center）、両者とも個々のインスタンスごとに計算される。
• L_instanceは、予測マスクと正例マスクの間のオーバーラップ率（IoU）を計算することで、各インスタンスごとの偽陽性および偽陰性をペナルティ処理する。
• L_centerは、各インスタンスの予測中心点と真の中心点の間のIoUを計算することで、正確な局所化を強制する。
• 2つの損失を重み付き和として結合：L_ICI = a·L_instance + b·L_center、ここでa, bは学習可能または固定されたハイパーパrameterである。
• ベースとなるピクセル単位損失（例：Dice損失）とICI損失を統合することで、訓練の安定性および一般化性能を向上させる。
• インスタンスレベルの評価のため、予測セグメンテーションマップから個々のインスタンスを同定するために連結成分解析（CCA）を用いる。

実験結果

リサーチクエスチョン

• RQ1 インスタンス単位およびインスタンス中心の監視を組み合わせた複合損失関数は、同時に小規模および大規模オブジェクトのセグメンテーションを改善できるか？
• RQ2 標準的なピクセル単位損失（例：Dice損失）およびインスタンス単位損失（例：blob損失）と比較して、ICI損失は生体医療画像におけるインスタンス不均衡をどのように処理するか？
• RQ3 ICI損失は、異なる入力スケール（全画像対パッチベース推論）およびテストセットにおいて一貫した性能を維持するか？
• RQ4 ハイパーパrameter重み（a, b, c）がICI損失の性能に与える影響は何か？また、単純なデフォルト設定（例：a=b=c=1）が、一貫した結果を達成できるか？
• RQ5 複雑でサイズが変動する巣（例：MRIにおける脳卒中巣）を有する実世界の臨床データセットにおいて、ICI損失は有効か？

主な発見

• ATLAS R2.0データセットの検証およびテストセットにおいて、ICI損失はDice損失に対して1.7–3.7%、blob損失に対して0.6–5.0%のDice係数（DSC）の向上を達成した。
• テストセットでは、a=1/4, b=1/2, c=1/4の設定でDSCが0.5817に達し、平均DSC順位でblob損失（0.5805）およびDice損失（0.5598）を上回った。
• テストセットではICI損失が平均順位1.75を達成し、複数の指標にわたる全体的なセグメンテーション品質が優れていることを示した。
• ICI損失は巣数の誤差および体積差を低減し、最良の設定（a=1, b=1, c=1）ではテストセットで最も低い巣数誤差（4.78）および体積差（11,564.10）を達成した。
• ハイパーパrameterチューニングなしで単純なデフォルト設定（a=1, b=1, c=1）を用いることで、すべての評価指標で一貫した改善が得られた。
• ICI損失は未観測のテストデータに対しても安定しており、検証およびテストセットの両方で一貫した性能向上を示し、優れた一般化能力を示した。