[論文レビュー] Liver Lesion Segmentation with slice-wise 2D Tiramisu and Tversky loss function

Karsten Roth, Tomasz Konopczyński+1 more|arXiv (Cornell University)|May 9, 2019

Advanced Neural Network Applications参考文献 13被引用数 11

ひとこと要約

本論文は、CTスキャンにおける完全自動的肝腫瘍セグメンテーションのための2段階、スライス単位の2次元U-NetおよびTiramisuベースのディープラーニングパイプラインを提案する。U-Netによる肝臓セグメンテーションと、Tversky損失関数を用いて訓練されたTiramisuネットワークを組み合わせることで、LiTS 2017チャレンジにおいて最先端の性能を達成し、Diceスコアは0.57（20中14位）で、表面距離誤差が低く抑えられ、ベースライン損失関数よりも感受性と頑健性が向上していることを示している。

ABSTRACT

At present, lesion segmentation is still performed manually (or semi-automatically) by medical experts. To facilitate this process, we contribute a fully-automatic lesion segmentation pipeline. This work proposes a method as a part of the LiTS (Liver Tumor Segmentation Challenge) competition for ISBI 17 and MICCAI 17 comparing methods for automatics egmentation of liver lesions in CT scans. By utilizing cascaded, densely connected 2D U-Nets and a Tversky-coefficient based loss function, our framework achieves very good shape extractions with high detection sensitivity, with competitive scores at time of publication. In addition, adjusting hyperparameters in our Tversky-loss allows to tune the network towards higher sensitivity or robustness.

研究の動機と目的

• 放射線科医によるマニュアルまたは準自動セグメンテーションに依存することを減らすために、腹部CTスキャンにおける完全自動的でエンドツーエンドの肝腫瘍セグメンテーションパイプラインを開発すること。
• 標準的なDiceベースの損失関数と比較して、Tversky損失関数を用いたカスケード型U-NetおよびTiramisuアーキテクチャの性能を評価すること。
• 損失関数のチューニングとネットワークアーキテクチャ設計を通じて、腫瘍セグメンテーションの感受性を向上させ、誤検出を低減すること。
• データ前処理、正規化、空間的アライメントのセグメンテーション性能への影響を評価すること。
• 3次元または後処理の強化なしに、2次元スライス単位のアプローチの可能性を検討することに焦点を当て、ネットワークアーキテクチャと損失関数設計に注力すること。

提案手法

• カスケード型パイプラインを採用：まず、50エポックにわたりAdam最適化とバイナリクロスエントロピー損失を用いて、2次元スライス単位の肝臓セグメンテーションをU-Netで実行する。
• 次に、肝臓マスクを空間的プライアとして用い、予測を肝臓領域に制限することで、腫瘍セグメンテーション用にTiramisuネットワークを訓練する。
• Tiramisuネットワークは、成長率12の密集ブロック、ReLU活性化関数、バッチ正則化、L2正則化を採用し、パラメータ数は180万。
• Tversky損失関数をα=0.3（偽陰性ペナルティ）およびβ=0.7（偽陽性ペナルティ）のパラメータで適用し、誤検出を低減するようにチューニングする。
• バッチサイズ5でGTX 1070 GPUを用いて学習し、微小な回転、平行移動、ズームを用いたデータ拡張を実施する。
• 最終的な推論時間は1ボリュームあたり約7秒で、肝臓の中心に224×224のクロップを用いて coronal スライス単位でセグメンテーションを実行する。

実験結果

リサーチクエスチョン

• RQ1 3次元畳み込みや複雑な後処理なしに、2段階の2次元U-NetおよびTiramisuパイプラインが、競争力のある腫瘍セグメンテーション性能を達成できるか？
• RQ2 Tversky損失関数は、標準的なDice損失関数と比較して、肝腫瘍セグメンテーションにおける偽陽性予測をどれほど低減できるか？
• RQ3 肝臓マスクを空間的プライアとして用いることで、腫瘍セグメンテーションの正確性がどの程度向上し、偽陽性が低減するか？
• RQ4 Tversky損失を用いてTiramisuネットワークをスクラッチから訓練することで、トランスファー学習なしに高い感受性と形状正確性を達成できるか？
• RQ5 U-Netによる肝臓セグメンテーションとTiramisuによる腫瘍セグメンテーションの組み合わせが、単一ネットワークやベースライン損失ベースのアプローチを上回る性能を発揮するか？

主な発見

• Tiramisuベースのパイプラインは、テストセットでDiceスコア0.57（20中14位）を達成し、ベースラインのU-Net単体アプローチ（0.42 Dice）を顕著に上回った。
• 本手法は、体積オーバーラップ誤差（VOE）0.34および平均対称表面距離（ASSD）0.95を達成し、形状および境界の正確性が優れていることを示した。
• Tversky損失関数により、標準的なDice損失と比較して偽陽性が低減され、Tverskyで訓練されたモデルは0.57のDiceスコアを達成した一方で、Diceで訓練されたTiramisuは0.45のスコアであった。
• ルート・マンスリー・スクエア・デバイエーション（RMSD）は1.60、最大対称表面距離（MSSD）は6.81を記録し、空間的一致性が優れていることを示した。
• GTX 1070 GPU上での推論時間は1ボリュームあたり約7秒であり、リアルタイム実行の可能性を示した。
• 改善は見られたが、肝臓セグメンテーションネットワークは大きなまたは境界付近の病変を逃すことがあり、特に腫瘍頭部領域で偽陽性が依然として課題であった。