[論文レビュー] Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein Segmentation in CT

Yulei Qin, Hao Zheng+7 more|arXiv (Cornell University)|Dec 10, 2020

Lung Cancer Diagnosis and Treatment参考文献 3被引用数 6

ひとこと要約

本稿では、非対照的CTスキャンにおける肺動脈・静脈・気管支の正確なセグメンテーションを目的として、管状構造に敏感なCNNフレームワークを提案する。特徴再キャリブレーションモジュール、アテンション distillation、解剖学的注意マップを統合することで、細い末梢血管への優れた感受性を実現しながらも、全体の精度を維持し、小細気管支および静脈の検出において、最先端の手法を著しく上回る性能を達成した。

ABSTRACT

Training convolutional neural networks (CNNs) for segmentation of pulmonary airway, artery, and vein is challenging due to sparse supervisory signals caused by the severe class imbalance between tubular targets and background. We present a CNNs-based method for accurate airway and artery-vein segmentation in non-contrast computed tomography. It enjoys superior sensitivity to tenuous peripheral bronchioles, arterioles, and venules. The method first uses a feature recalibration module to make the best use of features learned from the neural networks. Spatial information of features is properly integrated to retain relative priority of activated regions, which benefits the subsequent channel-wise recalibration. Then, attention distillation module is introduced to reinforce representation learning of tubular objects. Fine-grained details in high-resolution attention maps are passing down from one layer to its previous layer recursively to enrich context. Anatomy prior of lung context map and distance transform map is designed and incorporated for better artery-vein differentiation capacity. Extensive experiments demonstrated considerable performance gains brought by these components. Compared with state-of-the-art methods, our method extracted much more branches while maintaining competitive overall segmentation performance. Codes and models are available at http://www.pami.sjtu.edu.cn/News/56

研究の動機と目的

• CT画像における疎な教師信号とクラス不均衡のため、細い管状構造（細気管支や静脈）をセグメンテーションする課題に対処すること。
• 全体のセグメンテーション性能を損なわず、末梢気道および血管への感受性を向上させること。
• 標準的なCNNが細粒度の管状トポロジーと文脈を捉えることの制限を克服し、新しいアーキテクチャ的要素を導入すること。
• 対照剤に依存せず、診断における誤検出を減らすために、非対照的CTにおける動脈・静脈の正確な識別を可能にすること。
• 3次元医療ボリュームにおける細く低コントラストな管状構造の表現学習を向上させる要素を設計・検証すること。

提案手法

• 空間的文脈を最初に統合し、その後チャネル単位での再キャリブレーションを行う特徴再キャリブレーションモジュールを導入し、活性化領域の優先順位を保持する。
• 深層から浅層へと再帰的に高分解能のアテンションマップを伝搬するアテンション distillation モジュールを採用し、管状構造の文脈表現を豊かにする。
• 肺の文脈マップと距離変換マップを解剖学的事前知識として統合し、非対照スキャンにおける動脈・静脈の分離を向上させる。
• ボクセル座標マップを位置埋め込みとして用い、空間的関係を保持する。特に、文脈が限られる状況下での動脈・静脈セグメンテーションに顕著な利点を示す。
• 交差エントロピー分類損失とアテンション distillation 損失を組み合わせたハイブリッド損失関数を適用し、ハイパーパrameter α でタスク間のバランスを制御する。
• アテンションマップにp=2のp乗正規化を施し、管状のターゲットとバックグラウンドとのコントラストを強化し、太い構造への過剰な強調を回避する。

Figure 1: Overview of the proposed method for pulmonary airway and artery-vein segmentation. Instance normalization and ReLU activation are performed after each convolution layer except the last one. The number of convolution kernels is denoted above each layer.

実験結果

リサーチクエスチョン

• RQ1 アテンション distillation と特徴再キャリブレーションは、3次元CTセグメンテーションにおける細く末梢的な気道および血管への感受性を向上させ得るか？
• RQ2 肺の文脈マップと距離変換マップという解剖学的事前知識を統合することで、非対照的CTにおける動脈・静脈分離にどのような影響を与えるか？
• RQ3 ボクセル座標マップは、特に文脈が限られる状況下で、セグメンテーション性能にどのような影響を及えるか？
• RQ4 等方的リサンプリングはモデル性能を劣化させるか。また、管状構造に敏感なセグメンテーションには必要か？
• RQ5 最適なハイパーパrameter設定（α と p）は、アテンション distillation とセグメンテーション損失のバランスを最適化し、最高の性能を達成するか？

主な発見

• 提案手法は、細い末梢枝の検出において顕著な向上を達成し、最先端の手法よりも多くの細気管支および静脈を抽出しながら、競争力ある全体のDSCおよびTPRを維持した。
• p=2およびα=0.1でのアテンション distillation が最良のバランスを示し、α や p の値のずれがDSC、TPR、BD、TDの測定値に顕著な低下をもたらした。
• ボクセル座標マップの導入により、動脈・静脈セグメンテーション性能が向上したが、特に文脈が限られるパッチにおいて顕著であった。一方、気道セグメンテーションにはほとんど影響がなかった。
• 等方的リサンプリングは、補間されたCTとラベルのずれにより、ベースラインモデルおよび提案モデルの両方の性能を劣化させた。これにより、管状構造に敏感なセグメンテーションにおいては回避すべきであると示唆された。
• 解剖学的事前知識（距離変換マップと肺の文脈マップ）の統合により、動脈・静脈の分離が向上し、静脈領域における誤検出が減少した。
• アブレーションスタディにより、補助的な血管セグメンテーションと座標マップが、特に複雑な末梢領域において最終的な性能に有意義な寄与をしたことが確認された。

Figure 2: Illustration of the mapping $\mathcal{Z}(\cdot)$ for feature recalibration. Its input is the activated feature $A_{m}$ of the $m$ -th convolution layer. First, spatial map that highlights important regions is integrated through $\mathcal{Z}_{spatial}(\cdot)$ along three axes of depth, heig