[論文レビュー] Learning Normalized Inputs for Iterative Estimation in Medical Image Segmentation

Michal Drozdzal, Gabriel Chartrand+7 more|arXiv (Cornell University)|Feb 16, 2017

Advanced Neural Network Applications参考文献 38被引用数 5

ひとこと要約

本論文は、深層畳み込み残差ネットワーク（FC-ResNet）に供給する前の入力画像を正規化するための軽量な完全畳み込みネットワーク（FCN）をトレーニング可能な前処理器として用いる、画期的な医療画像セグメンテーションパイプラインを提案する。この手法はEM ISBI 2012ベンチマークで最先端の性能を達成し、標準的なFCNと比較して肝臓病変のセグメンテーション性能を向上させるとともに、3D MRI前立腺セグメンテーションにおいても競争力ある結果を示し、モodalitiesおよび解剖的領域にわたる高い汎用性を示している。

ABSTRACT

In this paper, we introduce a simple, yet powerful pipeline for medical image segmentation that combines Fully Convolutional Networks (FCNs) with Fully Convolutional Residual Networks (FC-ResNets). We propose and examine a design that takes particular advantage of recent advances in the understanding of both Convolutional Neural Networks as well as ResNets. Our approach focuses upon the importance of a trainable pre-processing when using FC-ResNets and we show that a low-capacity FCN model can serve as a pre-processor to normalize medical input data. In our image segmentation pipeline, we use FCNs to obtain normalized images, which are then iteratively refined by means of a FC-ResNet to generate a segmentation prediction. As in other fully convolutional approaches, our pipeline can be used off-the-shelf on different image modalities. We show that using this pipeline, we exhibit state-of-the-art performance on the challenging Electron Microscopy benchmark, when compared to other 2D methods. We improve segmentation results on CT images of liver lesions, when contrasting with standard FCN methods. Moreover, when applying our 2D pipeline on a challenging 3D MRI prostate segmentation challenge we reach results that are competitive even when compared to 3D methods. The obtained results illustrate the strong potential and versatility of the pipeline by achieving highly accurate results on multi-modality images from different anatomical regions and organs.

研究の動機と目的

• 原始的な医療画像入力分布への深層FC-ResNetsの感受性を軽減すること。
• 電子顕微鏡、CT、MRIを含む多様な医療画像モodalitiesにおけるセグメンテーション精度の向上を図ること。
• 前処理の役割が、FC-ResNetsの反復的精錬を効果的に行うために果たす役割を調査すること。
• 低容量のFCNが、従来の手作業による正規化手法を上回る効果的な学習可能な前処理器として機能できることを示すこと。
• パイプラインの一般化性および2Dおよび3Dの医療画像処理タスクにわたるロバスト性を検証すること。

提案手法

• 軽量なFCNを、原始的な医療画像入力を正規化するためのエンドツーエンドでトレーニング可能な前処理器として学習させ、モダリティに特化した強度分布を学習する。
• 前処理器の出力は、非常に深いFC-ResNet（100層以上）に供給され、残差ブロックを通じて正規化された入力を反復的に精錬する。
• FC-ResNetはスキップ接続とバッチ正規化を用い、深層最適化と安定した勾配伝播を可能にし、最終的なセグメンテーションマップの反復的推定を可能にする。
• パイプラインは完全畳み込み型であるため、アーキテクチャの変更なしに異なる画像モダリティに直接適用可能である。
• 前処理器はFC-ResNetとエンドツーエンドで同時にトレーニングされ、ネットワークがセグメンテーションに最適な入力正規化を学習できる。
• この手法は、ResNetsの反復的推論解釈を活用しており、FCNが初期提案を提供し、FC-ResNetが複数回の残差更新を通じてそれを精錬する。

実験結果

リサーチクエスチョン

• RQ1 学習可能な軽量FCN前処理器は、医療画像セグメンテーションにおける深層FC-ResNetsの性能を顕著に向上させることができるか？
• RQ2 提案されたパイプラインは、多様な画像モダリティにおいて、標準的な手作業による前処理技術と比較して、セグメンテーション精度で優れているか？
• RQ3 2D FC-ResNetパイプラインは、挑戦的な3D医療画像セグメンテーションタスクにおいて、どの程度競争力ある結果を達成できるか？
• RQ4 前処理器の統合は、FC-ResNetsの反復的推定解釈と整合しており、モデルのロバスト性を向上させるか？
• RQ5 提案されたフレームワークは、アーキテクチャの変更なしに、異なる解剖的領域および画像プロトコルに一般化可能か？

主な発見

• 提案されたパイプラインは、挑戦的なEM ISBI 2012ベンチマークで最先端の性能を達成し、他の2D手法を上回った。
• 3D MRI前立腺セグメンテーションタスクにおいて、2Dパイプラインが競争力ある結果を達成し、3Dデータに適用されても強力な一般化性能を示した。
• 肝臓病変CT画像において、標準的なFCNベースラインと比較して、セグメンテーション精度が向上した。これは、学習可能な前処理の利点を示している。
• FCN前処理器は入力データの正規化を効果的に行い、スキャン間の強度ばらつきを低減し、その後続のセグメンテーション性能を向上させた。
• トレーニング可能な前処理器を用いることで、パイプラインの性能が顕著に向上した。これは、FC-ResNetsが入力分布に極めて感受性を示し、このような正規化によって恩恵を受けることを示している。
• 結果は、FC-ResNetsが反復的推定を実行していると解釈するのに適しており、前処理器が段階的な精錬のための洗練された初期入力を提供していることを支持している。