[論文レビュー] Instance Segmentation of Fibers from Low Resolution CT Scans via 3D Deep Embedding Learning

Tomasz Konopczyński, Thorben Kröger+2 more|arXiv (Cornell University)|Jan 4, 2019

Medical Imaging Techniques and Applications被引用数 22

ひとこと要約

本論文は、短いガラス繊維強化ポリマーの低解像度CTスキャンにおける繊維のインスタンスセグメンテーションのための3次元ディープ埋め込み学習フレームワークを提案する。3次元畳み込みニューラルネットワークと埋め込みブランチ、およびマージ後処理戦略を組み合わせることで、最先端のインスタンスセグメンテーション性能を達成し、マージ済み調整ランダムインデックス（ARI）が0.6529に達する。これは、挑戦的な低解像度データにおいて、従来のウォーターシェド法や連結成分法を上回っている。

ABSTRACT

We propose a novel approach for automatic extraction (instance segmentation) of fibers from low resolution 3D X-ray computed tomography scans of short glass fiber reinforced polymers. We have designed a 3D instance segmentation architecture built upon a deep fully convolutional network for semantic segmentation with an extra output for embedding learning. We show that the embedding learning is capable of learning a mapping of voxels to an embedded space in which a standard clustering algorithm can be used to distinguish between different instances of an object in a volume. In addition, we discuss a merging post-processing method which makes it possible to process volumes of any size. The proposed 3D instance segmentation network together with our merging algorithm is the first known to authors knowledge procedure that produces results good enough, that they can be used for further analysis of low resolution fiber composites CT scans.

研究の動機と目的

• 短いガラス繊維強化ポリマーの低解像度3次元CTスキャンにおけるインスタンスセグメンテーションの課題に取り組む。従来の手法は解像度が低いため失敗する。
• 機械的性状能解析のための後続処理に適した、個々の繊維を正確に抽出できるディープラーニングベースの手法を開発する。
• 密に詰められた細い繊維構造において、ヘッセアン行列ベースのフィルターやウォーターシェドセグメンテーションの限界を克服する。
• 連続空間における埋め込み学習を用いた、繊維複合材料にとどまらないボリュームデータに一般化可能な新しい3次元インスタンスセグメンテーションフレームワークを導入する。
• 部分画処理とマージ戦略を通じて、任意に大きな3次元ボリュームへのスケーラビリティと耐障害性を検証する。

提案手法

• 本手法は、2つの並列ブランチを持つ3次元完全畳み込みネットワークを採用：1つはセマンティックセグメンテーション、もう1つは連続空間におけるボクセル埋め込みの学習。
• 埋め込みブランチは、各ボクセルを特徴ベクトルにマップし、同じ繊維クラスタに属するボクセルが埋め込み空間で近接するようにする。
• セグメンテーション領域内の埋め込み表現に対してクラスタリングアルゴリズム（k-means）を適用し、各ボクセルを個別の繊維インスタンスに割り当てる。
• 大規模データを処理するため、入力ボリュームの重複する32×32×32の部分画をネットワークが処理する。隣接する部分画間の空間的不一致を解消するためのカスタムマージアルゴリズムを採用。
• マージアルゴリズムは、誤った分割を減らすために、分割よりもマージを優先する。これにより、重複領域での一貫性が向上する。
• モデルは、バイナリクロスエントロピー損失（セマンティックセグメンテーション用）とトリプルット損失（埋め込み学習用）を組み合わせた損失関数で訓練され、ハイパーパrameter β=1 および γ=0.001 を使用。

実験結果

リサーチクエスチョン

• RQ1 薄く円筒形の物体（繊維）の3次元インスタンスセグメンテーションに、ディープ埋め込み学習を低解像度CTスキャンに効果的に適用できるか？
• RQ2 提案手法の埋め込みベースのアプローチは、低解像度SFRPデータにおいて、従来のウォーターシェド法や連結成分法と比較してどの程度優れているか？
• RQ3 セマンティックセグメンテーションブランチの品質が、最終的なインスタンスセグメンテーション精度にどの程度影響を与えるか？
• RQ4 マージ戦略は、部分画の予測が重複する場合に、顕著なアーチファクトや誤りを引き起こさずに効果的に処理できるか？
• RQ5 部分画処理とマージにより、任意に大きな3次元ボリュームにスケーラブルなか？

主な発見

• 重複部分画処理において、平均調整ランダムインデックス（ARI）が0.9048に達し、部分画単位での性能が優れていることを示している。
• 重複部分画をマージした後、ARIスコアは0.6529に低下し、密に近接する繊維間の境界が曖昧なことによる課題が顕在化している。
• 予測マスクの代わりに真値のセマンティックセグメンテーションマスクを使用した場合、マージ済みARIは0.7817に向上し、セマンティックセグメンテーションブランチが最終的なインスタンス精度に顕著に影響を与えていることが示された。
• 標準的な連結成分法は、真値のセマンティックマスクでさえも使用した場合でも、ARIがたった0.2112にとどまり、性能が著しく低いことが判明した。
• セマンティックセグメンテーションブランチ単体で、Diceスコアが0.9784に達しており、高品質なフォアグラウンド予測が可能であることが確認された。
• 本手法は、低解像度SFRP CTスキャンからの信頼できるインスタンスセグメンテーション結果を生成する最初の既知のアプローチであり、定量的および定性的な両評価で、すべてのベースライン手法を上回っている。