[論文レビュー] LGAN: Lung Segmentation in CT Scans Using Generative Adversarial Network

Jiaxing Tan, Longlong Jing+3 more|arXiv (Cornell University)|Jan 11, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 25被引用数 7

ひとこと要約

本稿では、U-Netに類似した生成器と、地球移動（EM）損失を用いた識別器を備えた、CTスキャンにおけるエンド・ツー・エンド肺領域分離のための生成的対抗ネットワーク（GAN）ベースのフレームワーク、LGANを提案する。この手法は、マスクの現実性と正確性を向上させる。LIDC-IDRIデータセットにおいて、平均3D Diceスコアは0.985、中央値は0.9864を達成し、従来の最先端手法を上回り、手動によるパrameterチューニングを不要とする。

ABSTRACT

Lung segmentation in computerized tomography (CT) images is an important procedure in various lung disease diagnosis. Most of the current lung segmentation approaches are performed through a series of procedures with manually empirical parameter adjustments in each step. Pursuing an automatic segmentation method with fewer steps, in this paper, we propose a novel deep learning Generative Adversarial Network (GAN) based lung segmentation schema, which we denote as LGAN. Our proposed schema can be generalized to different kinds of neural networks for lung segmentation in CT images and is evaluated on a dataset containing 220 individual CT scans with two metrics: segmentation quality and shape similarity. Also, we compared our work with current state of the art methods. The results obtained with this study demonstrate that the proposed LGAN schema can be used as a promising tool for automatic lung segmentation due to its simplified procedure as well as its good performance.

研究の動機と目的

• 従来の手法が要請する手動によるパrameterチューニングを排除する、エンド・ツー・エンドで自動化された肺領域分離手法の開発。
• 生成器と識別器の対抗学習を活用し、地球移動（EM）損失を用いた識別器を導入することで、生成マスクの正確性と現実性を向上させる。
• CT画像における肺領域分離に応用可能な、さまざまなニューラルネットワークアーキテクチャに汎用性を持つフレームワークの構築。
• 3D Diceスコアや形状類似度といった標準指標を用いて、LIDC-IDRIデータセット上での性能評価。
• 早期肺がん検出に不可欠な、小形または境界付近の肺結節に対しても、ロバストな領域分離を実現すること。

提案手法

• 生成器ネットワークは、空間的コンテキストを符号化し、高解像度の領域分離マスクを生成するためのデコードを行うU-Netアーキテクチャに基づく。
• 識別器は、実際の肺マスク（正解データ）と生成マスクを区別するように学習され、特徴の現実性を向上させるために地球移動（EM）損失が使用される。
• 対抗学習は、生成器が識別器をだませるようにGAN損失を最小化することで実行される。
• Adam最適化を用い、パッチ正規化とランダム重み初期化を適用して、エンド・ツー・エンドでモデルを訓練する。
• 3D Diceスコアと形状類似度の指標を用いて、220例のCTスキャンでフレームワークを評価する。
• 5種類の異なる識別器アーキテクチャを評価した結果、EM損失を用いた識別器が最も優れた性能を示した。

実験結果

リサーチクエスチョン

• RQ1 従来のパrameterが多く必要な手法と比較して、GANベースのフレームワークは、より優れた肺領域分離性能を達成できるか？
• RQ2 識別器に地球移動（EM）損失を組み込むことで、生成マスクの現実性と正確性が向上するか？
• RQ3 提案されたLGANスキーマは、肺領域分離に応用可能なさまざまなニューラルネットワークアーキテクチャに一般化可能か？
• RQ4 境界付近の結節を含む困難なケースにおいて、モデルの性能はいかがなものか？
• RQ5 3D Diceスコアおよび領域分離品質の観点から、LGANは最先端手法に対して定量的にどの程度の向上を達成しているか？

主な発見

• LGANは、LIDC-IDRIデータセットにおいて、平均3D Diceスコア0.985、中央値0.9864を達成し、現在の最先端手法を上回った。
• EM損失を用いた識別器を搭載したモデルは、基本的なGANフレームワークを著しく上回り、提案された識別器設計の有効性を示した。
• 100層のTiramisuネットワークを上回る性能を達成したが、はるかに浅く、パrameter効率に優れた構造であった。
• 境界付近の肺結節を含め、すべての肺結節を正常に領域分離できたことから、結節検出などの後続タスクにおいてもロバストであることが証明された。
• エンド・ツー・エンドの構造により、従来手法が要請する手動によるパrameterチューニングや、多数の前処理・後処理ステップの必要がなくなった。
• 生成器の特徴マップから、肺の境界を効果的に捉えたフィルタが学習されていることが示され、強力な空間的特徴学習が行われていることが示唆された。