[論文レビュー] Isointense infant brain MRI segmentation with a dilated convolutional neural network

Pim Moeskops, Josien P. W. Pluim|arXiv (Cornell University)|Aug 9, 2017

Advanced Neural Network Applications参考文献 7被引用数 9

ひとこと要約

本研究では、6か月齢の乳児脳MRIスキャンにおける白色線維、灰色線維、脳脊髄液のセグメンテーションを目的として、拡張畳み込みを用いた三平面2次元畳み込みニューラルネットワーク（CNN）と非拡張3次元CNNを組み合わせたハイブリッド深層学習手法を提案する。低組織対比の状況下でも、バリデーションセットで高いDiceスコア（白色線維：平均0.874、灰色線維：平均0.877、脳脊髄液：平均0.932）を達成し、共有重みを用いた三平面ネットワークよりも、多平面的コンテキストと3次元ボリュームモデリングを活用することで優れた性能を示した。

ABSTRACT

Quantitative analysis of brain MRI at the age of 6 months is difficult because of the limited contrast between white matter and gray matter. In this study, we use a dilated triplanar convolutional neural network in combination with a non-dilated 3D convolutional neural network for the segmentation of white matter, gray matter and cerebrospinal fluid in infant brain MR images, as provided by the MICCAI grand challenge on 6-month infant brain MRI segmentation.

研究の動機と目的

• 6か月齢の乳児脳MRIスキャンにおける白色線維と灰色線維の組織対比が低いという課題に対処すること。
• 早期神経発達段階におけるT1/T2対比が限られている状況下でも、正確なセグメンテーションが可能な深層学習手法の開発。
• 拡張畳み込みと三平面特徴抽出の有効性を、乳児脳MRIにおけるマルチスケール空間的コンテキストを捉えるために検証すること。
• 非拡張3次元CNNブランチを組み合わせた三平面拡張ネットワークの性能向上を評価し、より優れたボリュームセグメンテーションを実現すること。
• MICCAI 6か月齢乳児脳MRIセグメンテーションチャレンジデータセットにおける耐障害性と一般化性能を高めるためのネットワークアーキテクチャ最適化。

提案手法

• 軸方向、冠状方向、矢状方向の各平面に、拡張率が増加する（1, 2, 4, 8, 16）拡張三平面CNNを適用し、パrameter数を増加させずに受容 field を拡大する。
• 3つの三平面ブランチそれぞれに別個の重みを割り当て、平面固有の特徴を独立して学習可能にする。
• 3次元畳み込みを用いた非拡張3次元CNNブランチを導入し、スライス間の空間的依存関係やボリュームコンテキストをモデル化する。
• 3つの三平面ブランチと1つの3次元CNNブランチの特徴マップを、最終の1×1×1分類層の前に連結する。
• バッチ正規化とReLU活性化関数を全層に適用し、最終層の直前にドロップアウトを適用して過学習を防止する。
• ミニバッチサイズ200～300で、10エポックにわたりAdam最適化アルゴリズムと交差エントロピー損失関数を用いて、完全畳み込みネットワークを学習する。

実験結果

リサーチクエスチョン

• RQ1 拡張三平面CNNは、低対比の乳児脳MRIにおいてマルチスケール空間的コンテキストを効果的に捉え、セグメンテーション性能を向上させることができるか？
• RQ2 各三平面ブランチに別個の重みを適用することで、共有重みを用いた場合と比較してセグメンテーション精度が向上するか？
• RQ3 非拡張3次元CNNブランチの追加により、3次元ボリューム関係をモデル化することで、性能がさらに向上するか？
• RQ4 本手法のハイブリッドアーキテクチャは、MICCAI 6か月齢乳児脳MRIセグメンテーションベンチマークにおいて、標準的な2次元または3次元CNNと比較して優れているか？
• RQ5 最小限の組織対比を持つ等強度乳児脳MRIにおける白色線維、灰色線維、脳脊髄液のセグメンテーションに最適なネットワーク構成は何か？

主な発見

• 別個重みを用いた三平面ネットワークは、バリデーションセットで白色線維の平均Diceスコア0.868、灰色線維0.871、脳脊髄液0.908を達成した。
• 三平面と3次元ネットワークを組み合わせたハイブリッドアーキテクチャは最高の性能を示し、白色線維の平均Diceスコア0.874、灰色線維0.877、脳脊髄液0.932を達成した。
• 非拡張3次元CNNブランチの導入により、特に脳脊髄液のセグメンテーション精度が顕著に向上し、1枚のバリデーション画像でDiceスコア0.948を記録した。
• 本手法は一般化性能に優れ、テストセットでも高い性能を示し、MICCAIグランドチャレンジの公式ウェブサイトに結果が掲載された。
• 完全畳み込みアーキテクチャにより、任意サイズの入力に対して推論が可能であり、NVIDIA Titan X Pascal GPU上で1枚の画像のセグメンテーションに約1分間を要した。