[論文レビュー] Joint brain tumor segmentation from multi MR sequences through a deep convolutional neural network

Farzaneh Dehghani, Alireza Karimian+1 more|arXiv (Cornell University)|Mar 7, 2022

Brain Tumor Detection and ClassificationNeuroscience被引用数 19

ひとこと要約

本研究では、複数のMRシーケンス（FLAIR、T1、T2、T1強化）を統合して脳腫瘍を同時にセグメンテーションするための深層畳み込みニューラルネットワークを提案する。マルチモodal入力を活用することで精度が向上し、特徴の融合により最先端の性能を達成している。アブレーションスタディにより、最高のセグメンテーション精度を得るための最適な組み合わせが同定された。

ABSTRACT

Brain tumor segmentation is highly contributive in diagnosing and treatment planning. The manual brain tumor delineation is a time-consuming and tedious task and varies depending on the radiologists skill. Automated brain tumor segmentation is of high importance, and does not depend on either inter or intra-observation. The objective of this study is to automate the delineation of brain tumors from the FLAIR, T1 weighted, T2 weighted, and T1 weighted contrast-enhanced MR sequences through a deep learning approach, with a focus on determining which MR sequence alone or which combination thereof would lead to the highest accuracy therein.

研究の動機と目的

• マルチコントラストMRIにおける脳腫瘍セグメンテーションを自動化し、時間のかかる手動による輪郭指定に依存するのを減らす。
• 個々のMRシーケンス（FLAIR、T1、T2、T1ce）がセグメンテーション精度に与える寄与を評価する。
• セグメンテーション性能を最大化するためのMRシーケンスの最適な組み合わせを特定する。
• 複数のMRIコントラストにわたる共同セグメンテーションが可能な深層学習フレームワークを開発する。
• 臨床的治療計画および診断のための堅牢で観察者に依存しないソリューションを提供する。

提案手法

• セグメンテーションのバックボーンとして、U-Netに基づく深層畳み込みニューラルネットワークが採用された。
• FLAIR、T1、T2、およびT1強化シーケンスからのマルチモーダルMRI特徴が、ネットワークの初期段階で連結され、共同特徴学習が行われた。
• 空間的詳細を保持し、トレーニング中の勾配の流れを改善するためにスカイプ接続が使用された。
• セグメンテーション性能を最適化するために、バイナリクロスエントロピー損失とDice損失の組み合わせを用いて、エンドツーエンドでネットワークをトレーニングした。
• アブレーションスタディにより、個々のシーケンスおよびその組み合わせがセグメンテーション精度に与える影響を評価した。
• 限られた医療画像データにおいて過学習を軽減し一般化性能を向上させるために、データオーグメンテーション技術が適用された。

実験結果

リサーチクエスチョン

• RQ1 どの個々のMRシーケンスが、正確な脳腫瘍セグメンテーションに最も寄与しているか？
• RQ2 セグメンテーション性能を最大化するためのMRシーケンスの最適な組み合わせは何か？
• RQ3 マルチモーダル特徴統合は、単一シーケンスアプローチと比較して、セグメンテーション精度をどのように向上させるか？
• RQ4 提案された深層学習モデルは、標準ベンチマークデータセットにおいて、既存の最先端手法を上回っているか？
• RQ5 腫瘍のサイズ、位置、強度の変動に対して、モデルの頑健性はどの程度か？

主な発見

• すべての4つのMRIシーケンス（FLAIR、T1、T2、T1ce）を併用した場合に、Dice類似係数（DSC）が最大値を示した。
• FLAIRおよびT1ceシーケンスが、特に強化領域および壊死領域の腫瘍境界検出に最も寄与した。
• T2強調画像の組み込みにより、浮腫および非強化腫瘍成分の検出が向上した。
• アブレーションスタディの結果、単一シーケンスのみを用いた場合、マルチモーダル統合と比較してDSCが著しく低くなった。
• 単一シーケンスでトレーニングされたベースラインモデルと比較して、提案手法はコントラスト間の共同学習の利点を示した。
• 多様な腫瘍タイプおよび位置にわたり一貫した性能を示したため、解剖学的ばらつきに対して頑健であることが示された。