[論文レビュー] Learnable Hollow Kernels for Anatomical Segmentation.

Elizaveta Lazareva, Oleg Y. Rogov+3 more|arXiv (Cornell University)|Jul 9, 2020

Advanced Neural Network Applications参考文献 20被引用数 4

ひとこと要約

本稿では、膀胱などの空洞臓器の形状と構造的複雑性を模倣する学習可能なハロー核を提案し、医用画像における解剖的セグメンテーションを向上させる。空間的・時間的モデリング（例：Bi-LSTM）を組み込んだU-Netに類似したネットワークに統合することで、最先端の性能を達成し、内壁、外壁、腫瘍領域のそれぞれについて平均Diceスコアが0.936、0.736、0.712に達した。

ABSTRACT

Segmentation of certain hollow organs, such as the bladder, is especially hard to automate due to their complex geometry, vague intensity gradients in the soft tissues, and a tedious manual process of the data annotation routine. Yet, accurate localization of the walls and the cancer regions in the radiologic images of such organs is an essential step in oncology. To address this issue, we propose a new class of hollow kernels that learn to 'mimic' the contours of the segmented organ, effectively replicating its shape and structural complexity. We train a series of the U-Net-like neural networks using the proposed kernels and demonstrate the superiority of the idea in various spatio-temporal convolution scenarios. Specifically, the dilated hollow-kernel architecture outperforms state-of-the-art spatial segmentation models, whereas the addition of temporal blocks with, e.g., Bi-LSTM, establishes a new multi-class baseline for the bladder segmentation challenge. Our spatio-temporal model based on the hollow kernels reaches the mean dice scores of 0.936, 0.736, and 0.712 for the bladder's inner wall, the outer wall, and the tumor regions, respectively. The results pave the way towards other domain-specific deep learning applications where the shape of the segmented object could be used to form a proper convolution kernel for boosting the segmentation outcome.

研究の動機と目的

• 複雑な幾何構造と弱い強度勾配を示す空洞臓器（例：膀胱）におけるセグメンテーションの自動化の課題に対処すること。
• 繰り返しで面倒な手動アノテーションの負担を軽減するため、形状に配慮したディープラーニング手法を開発すること。
• 畳み込みカーネル設計において臓器の内在的形状を活用することで、特に内壁・外壁および腫瘍領域といった重要な構造のセグメンテーション精度を向上させること。
• 空間的・時間的モデリングを組み合わせた学習可能なハロー核を用いて、膀胱セグメンテーションのための新しいマルチクラスベースラインを確立すること。

提案手法

• 膀胱などの標的臓器の形状と構造的複雑性に動的に適応する学習可能なハロー核の新規クラスを提案する。
• 3次元医用画像における空間的特徴学習を強化するために、これらのハロー核をU-Netに類似したアーキテクチャに統合する。
• 拡張畳み込みを用い、ハロー核を組み合わせることで長距離依存関係を捉えつつ、微細な解剖的詳細を保持する。
• 動的MRIシーケンスにおける時間的整合性を活用するため、ネットワークに時間的モデリングブロック（例：Bi-LSTM）を統合する。
• 教師あり学習を用いて、正解のセグメンテーションマスクを用いてエンドツーエンドのネットワークを訓練し、カーネルパラメータとセグメンテーションヘッドを同時に最適化する。
• ネットワークがデータからカーネル形状を学習できる微分可能カーネル生成メカニズムを採用し、臓器の輪郭を効果的に模倣する。

実験結果

リサーチクエスチョン

• RQ1 臓器の形状を模倣する学習可能なハロー核は、膀胱のような複雑な空洞臓器におけるセグメンテーション精度を向上させることができるか？
• RQ2 空間的セグメンテーションタスクにおいて、拡張ハロー核の統合は、標準的な畳み込み層と比較してどのように優れているか？
• RQ3 Bi-LSTM層による時間的モデリングを追加することで、動的MRIシーケンスにおける膀胱セグメンテーションの性能はどの程度向上するか？
• RQ4 提案されたハロー核アーキテクチャは、内壁・外壁・腫瘍領域のマルチクラスセグメンテーションに一般化可能か？
• RQ5 空間的・時間的モデリングを組み合わせた本手法の定量的性能向上は、既存の最先端手法に対してどの程度であるか？

主な発見

• 拡張ハロー核アーキテクチャは、膀胱セグメンテーションにおいて、最先端の空間的セグメンテーションモデルを顕著に上回った。
• Bi-LSTM時間ブロックを組み込んだ空間的・時間的モデルは、膀胱の内壁に対して平均Diceスコア0.936を達成した。
• 外壁に対しては平均Diceスコア0.736を達成し、より挑戦的な外壁セグメンテーションにおいても優れた性能を示した。
• 腫瘍領域に対しては平均Diceスコア0.712を達成し、病変構造の効果的な検出を示した。
• 本手法は、空間的および時間的モデリングの両状況において、既存の手法を上回る新たなマルチクラスベースラインを確立した。
• 学習可能なハロー核は、空洞臓器の複雑な幾何構造を効果的に捉え、セグメンテーションの忠実性と頑健性の向上に寄与した。