[論文レビュー] Kidney tumor segmentation using an ensembling multi-stage deep learning approach. A contribution to the KiTS19 challenge

Gianmarco Santini, Noémie Moreau+1 more|arXiv (Cornell University)|Sep 2, 2019

Renal cell carcinoma treatment参考文献 30被引用数 30

ひとこと要約

本論文は、キットス19チャレンジのテストセットにおいて腎臓と腫瘍のセグメンテーションでそれぞれ平均Diceスコア0.96および0.74を達成する、アンサンブル化されたリーマン・U-Netモデルを用いたマルチステージ2.5次元ディープラーニング手法を提示している。臨床的関連性の高いセグメンテーションタスクにおいて、アンサンブル学習による強固な汎用性を示している。

ABSTRACT

Precise characterization of the kidney and kidney tumor characteristics is of outmost importance in the context of kidney cancer treatment, especially for nephron sparing surgery which requires a precise localization of the tissues to be removed. The need for accurate and automatic delineation tools is at the origin of the KiTS19 challenge. It aims at accelerating the research and development in this field to aid prognosis and treatment planning by providing a characterized dataset of 300 CT scans to be segmented. To address the challenge, we proposed an automatic, multi-stage, 2.5D deep learning-based segmentation approach based on Residual UNet framework. An ensembling operation is added at the end to combine prediction results from previous stages reducing the variance between single models. Our neural network segmentation algorithm reaches a mean Dice score of 0.96 and 0.74 for kidney and kidney tumors, respectively on 90 unseen test cases. The results obtained are promising and could be improved by incorporating prior knowledge about the benign cysts that regularly lower the tumor segmentation results.

研究の動機と目的

• 対比強化CTスキャンにおける健常な腎臓および腫瘍組織の自動的かつ高精度で強固なセグメンテーション手法の開発を目的とする。
• 特に良性の嚢胞と区別する困難な、多様で複雑な腎臓解剖学的構造における腫瘍セグメンテーションの課題に対処することを目的とする。
• モデルアンサンブルによるバリアンス低減と汎用性向上を図るマルチステージディープラーニングパイプラインを通じて、セグメンテーション性能の向上を目的とする。
• 300例のCTスキャンからなる大規模なアノテート済みデータセットを用いたディープラーニングによる、完全自動の信頼性のあるセグメンテーションソリューションを提供することで、キットス19チャレンジに貢献することを目的とする。

提案手法

• 2段階のディープラーニングパイプラインを採用した。まず腎臓をセグメンテーションし、その後腫瘍組織を含むセグメンテーションを精緻化した。
• 本手法は2.5次元畳み込みニューラルネットワークを用い、3次元ボリュームを縦断的スライスの系列として処理し、文脈的情報を保持した。
• 異なる初期化スケーム、学習率、損失重み設定を用いて、多様な初期化と学習設定を持つ複数のリーマン・U-Netおよびリーマン・ネットアーキテクチャを訓練した。これにより、過学習の低減と耐性の向上を図った。
• 腫瘍を有する症例（KT群）に限定して、軸方向回転、水平反転、中央クロップにズームを適用するデータオーグメンテーション技術を適用し、トレーニングの多様性を高めた。
• 複数の独立して訓練されたモデルの予測を統合するアンサンブル戦略を採用し、バリアンス低減と最終的なセグメンテーション精度の向上を実現した。
• 事前処理として、3 mmスライス厚さへの再スライシング、Hounsfield単位（HU）の窓設定（-30〜300 HU）、および強度の不均一性低減のための標準化を実施した。

実験結果

リサーチクエスチョン

• RQ1 単一段階手法と比較して、マルチステージディープラーニングアプローチは、腹部CTスキャンにおける腎臓および腫瘍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 異なるアーキテクチャおよびトレーニング設定を用いたモデルアンサンブルは、セグメンテーション性能と耐性にどのような影響を与えるか？
• RQ3 2.5次元ネットワークは、大規模な医療画像セグメンテーションにおいて計算的に実行可能である一方で、体積的文脈をどの程度捉えることができるか？
• RQ4 ターゲットされたデータオーグメンテーション戦略は、まれまたは多様な外見を示す腫瘍症例のセグメンテーションにどのような影響を与えるか？
• RQ5 良性の腎嚢胞は腫瘍セグメンテーション性能にどのような影響を与えるか？また、腫瘍と良性組織の区別をより良くするためにモデルを改善できるか？

主な発見

• 提案されたマルチステージ2.5次元ディープラーニングモデルは、キットス19チャレンジの90例の未観測テストケースにおいて、腎臓セグメンテーションで平均Diceスコア0.96、腫瘍セグメンテーションで0.74を達成した。
• 複数モデルのアンサンブル化により、個々のモデルよりもわずかに性能が向上し、バリデーションセットでは腎臓で0.98 ± 0.01、腫瘍で0.73 ± 0.25のスコアを記録した。
• 異なる重み初期化および損失重みスケジューリングを含む多様なトレーニング設定の使用が、一般化誤差の低減と耐性の向上に寄与した。
• 腫瘍を有する症例に限定して適用されたデータオーグメンテーション戦略により、多様な腫瘍の外見にわたる過学習の緩和と一般化性能の向上が達成された。
• 強力な性能を示したが、良性の嚢胞に対する誤検出および微小な腫瘍に対する誤検出（偽陰性）は依然として課題であり、嚢胞性病変と悪性組織の区別をより良くするために改善が必要であることを示唆している。
• モデルの性能は、メモリ制限により、Tiramisu や DeepLab などのより複雑なアーキテクチャの使用を妨げており、2D単独よりも2.5次元入力がより良い体積的文脈を捉えられることを示している。