[論文レビュー] Knowing what you know in brain segmentation using deep neural networks.

Patrick McClure, Nao Rho+8 more|arXiv (Cornell University)|Dec 3, 2018

Medical Image Segmentation Techniques参考文献 53被引用数 3

ひとこと要約

本論文は、構造的MRIスキャンの迅速かつ高精度な脳セグメンテーションを分秒で実現する、スパイクアンドスラブドロップアウトに基づく変分推論を用いたベイジアン深層ニューラルネットワーク（DNN）を提案する。この手法は、従来の手法を上回り、FreeSurferラベルと非常に類似したセグメンテーション予測を生成するとともに、個々の誤りと全体のスキャン品質管理レーティングを予測できる信頼性の高いボクセル単位の不確実性推定を提供する。

ABSTRACT

In this paper, we describe a Bayesian deep neural network (DNN) for predicting FreeSurfer segmentations of structural MRI volumes, in minutes rather than hours. The network was trained and evaluated on a large dataset (n = 11,480), obtained by combining data from more than a hundred different sites, and also evaluated on another completely held-out dataset (n = 418). The network was trained using a novel spike-and-slab dropout-based variational inference approach. We show that, on these datasets, the proposed Bayesian DNN outperforms previously proposed methods, in terms of the similarity between the segmentation predictions and the FreeSurfer labels, and the usefulness of the estimate uncertainty of these predictions. In particular, we demonstrated that the prediction uncertainty of this network at each voxel is a good indicator of whether the network has made an error and that the uncertainty across the whole brain can predict the manual quality control ratings of a scan. The proposed Bayesian DNN method should be applicable to any new network architecture for addressing the segmentation problem.

研究の動機と目的

• 構造的MRIスキャンの迅速かつ高精度な深層学習手法による脳セグメンテーションを開発すること。
• ボクセル単位での予測不確実性を推定し、セグメンテーション誤りを特定すること。
• 脳全体の不確実性を活用して、MRIスキャンのマニュアル品質管理レーティングを予測すること。
• 任意の新しいネットワークアーキテクチャに適用可能な汎用的なフレームワークを構築すること。

提案手法

• 本手法は、新規のスパイクアンドスラブドロップアウトに基づく変分推論アプローチを用いて訓練されたベイジアンDNNを採用する。
• スパイクアンドスラブドロップアウトにより、トレーニング中に構造的かつスパースな正則化が可能となり、不確実性推定の精度が向上する。
• ネットワークは、11,480体のMRIボリュームからなる大規模かつマルチサイトのデータセットで訓練され、418スキャンからなるホールドアウトデータセットで検証された。
• 予測不確実性はボクセル単位で計算され、脳全体にわたって集約され、品質評価に用いられる。
• 深層学習を活用することで、推論速度が数分にまで短縮され、数時間から数分に改善された。
• このフレームワークは、任意の新しいセグメンテーションネットワークアーキテクチャへの拡張性を備えている。

実験結果

リサーチクエスチョン

• RQ1 スパイクアンドスラブドロップアウトを用いたベイジアンDNNは、従来の手法よりも迅速かつ高精度な脳セグメンテーションを達成できるか？
• RQ2 ボクセル単位での予測不確実性は、セグメンテーション誤りを信頼性高く示すことができるか？
• RQ3 脳全体の不確実性推定は、MRIスキャンのマニュアル品質管理レーティングを予測できるか？
• RQ4 提案手法は、さまざまなネットワークアーキテクチャにわたって一般化可能か？

主な発見

• スパイクアンドスラブドロップアウトに基づく変分推論により、不確実性のキャリブレーションが向上したが、セグメンテーション性能に悪影響を与えることなく、セグメンテーションの精度が向上した。
• スパイクアンドスラブドロップアウトに基づく変分推論により、不確実性のキャリブレーションが向上したが、セグメンテーション性能に悪影響を与えることなく、セグメンテーションの精度が向上した。
• ボクセル単位での予測不確実性は、誤った予測を検出する高い真正陽性率を示し、セグメンテーション誤りの強力な指標であった。
• 脳全体の不確実性推定値は、マニュアル品質管理レーティングと顕著に相関しており、自動スキャン品質評価が可能になった。
• 推論時間を数時間から数分に短縮したが、高い精度と不確実性の信頼性を維持した。
• 本手法は、脳MRIセグメンテーションのための任意の新しい深層学習アーキテクチャに移植可能で、応用可能である。