[論文レビュー] Localise to segment: crop to improve organ at risk segmentation accuracy

Abraham George Smith, Denis Kutnár+3 more|arXiv (Cornell University)|Apr 10, 2023

Advanced Neural Network Applications被引用数 4

ひとこと要約

本稿では、放射線治療計画における臓器リスク領域のセグメンテーション精度を向上させるために、局所化の後に臓器セグメンテーションを行う2段階のディーブラーニングアプローチを提案する。セグメンテーションの前に関連する解剖学的構造に焦点を当てて画像をクロップすることで、クラス不均衡を軽減し、学習を高速化するとともに、特に脾臓、膵臓、心臓のような小さな臓器においてDiceスコアを向上させる。

ABSTRACT

Increased organ at risk segmentation accuracy is required to reduce cost and complications for patients receiving radiotherapy treatment. Some deep learning methods for the segmentation of organs at risk use a two stage process where a localisation network first crops an image to the relevant region and then a locally specialised network segments the cropped organ of interest. We investigate the accuracy improvements brought about by such a localisation stage by comparing to a single-stage baseline network trained on full resolution images. We find that localisation approaches can improve both training time and stability and a two stage process involving both a localisation and organ segmentation network provides a significant increase in segmentation accuracy for the spleen, pancreas and heart from the Medical Segmentation Decathlon dataset. We also observe increased benefits of localisation for smaller organs. Source code that recreates the main results is available at \href{https://github.com/Abe404/localise_to_segment}{this https URL}.

研究の動機と目的

• 医療画像データセットにおけるクラス不均衡の影響を軽減することで、放射線治療における臓器リスク領域のセグメンテーション精度を向上させること。
• 1段階のフル画像セグメンテーションと比較して、2段階の局所化・セグメンテーションパイプラインが性能を向上させるかどうかを調査すること。
• 多様な臓器サイズにおいて、局所化が学習効率、収束速度、モデル安定性に与える影響を評価すること。
• クラス不均衡が顕著な小規模臓器において、局所化がより大きな利点をもたらすかどうかを評価すること。
• グランドトゥースに基づく局所化が、フル解像度画像でのエンドツーエンド学習よりも一貫して優れた利点を提供するかどうかを特定すること。

提案手法

• 局所化およびセグメンテーションの両ネットワークに3D U-Netアーキテクチャを採用し、実装を簡素化するために共通のモデル構造を採用した。
• 学習中の入力と出力の空間次元を一貫して維持するために、畳み込み層にゼロパディングを適用した。
• 小規模バッチサイズ（1GPUあたり2）を用いた学習の安定化のため、バッチ正規化の代わりにグループ正規化を採用した。
• 特に小規模臓器において重要なクラス不均衡に対処するため、Dice損失とクロスエントロピー損失を組み合わせた。
• 64×256×256のサイズのクロップドパッチを用いて学習し、64GBのGPUメモリ制限内でコンテキストを最大限に活用した。
• 過学習を防ぎ、学習効率を向上させるために、早期停止とモデルチェックポイントの実装を実施した。

Figure 1: Illustration showing the three different methods compared, including the baseline, two stage involving both a localisation network and organ segmentation network and the organ segmentation network that uses the ground truth to localise.

実験結果

リサーチクエスチョン

• RQ1 2段階の局所化・セグメンテーションパイプラインは、1段階のフル画像学習と比較して、臓器リスク領域のセグメンテーション精度を向上させるか？
• RQ2 局所化は、さまざまな臓器サイズにおいて、学習時間、収束速度、モデル安定性にどのように影響するか？
• RQ3 クラス不均衡が顕著な小規模臓器において、局所化の利点がより顕著に現れるか？
• RQ4 グランドトゥースに基づくバウンディングボックスによる局所化は、フル画像でのエンドツーエンド学習を一貫して上回るか？
• RQ5 局所化は、医療画像セグメンテーションにおけるクラス不均衡の悪影響をどの程度軽減するか？

主な発見

• 2段階の局所化アプローチにより、脾臓、膵臓、心臓のDiceスコアが顕著に向上し、特に小規模臓器で最大の向上が観察された。
• 局所化されたパッチを用いた学習は、2つのネットワークを学習するにもかかわらず、フル画像パッチ学習と比較して学習時間を短縮し、収束速度を向上させた。
• ベースラインの1段階モデルは、深刻なクラス不均衡とパッチ内での前景の不一致による影響で、不安定な学習ダイナミクス（変動するDiceスコア）を示した。
• 心臓（左房）は、小規模なデータセットと高いクラス不均衡が要因で収束速度が最も遅く、局所化により性能が向上した。
• 最大のトレーニングデータセットを有する膵臓でも、収束率は85%にとどまり、これはデータサイズだけではクラス不均衡の課題を克服できないことを示している。
• グランドトゥースに基づく局所化は一貫した改善をもたらしたため、臨床ワークフローにおいてマニュアルまたはインタラクティブな局所化が、高精度なセグメンテーションに価値をもたらす可能性がある。