[論文レビュー] MAPPING: Model Average with Post-processing for Stroke Lesion Segmentation

Jiayu Huo, Liyun Chen+5 more|arXiv (Cornell University)|Nov 11, 2022

Acute Ischemic Stroke Management被引用数 4

ひとこと要約

本論文では、ATLAS v2.0データセットを用いた脳梗塞病変セグメンテーションのための、後処理を伴うモデルアンサンブル手法MAPPINGを提案する。異なる設定で学習された4つの多様なnnU-Netモデルをトレーニングし、その予測をアンサンブルした後、特化した後処理を施した結果、2022年MICCAI ATLASチャレンジで最高のパフォーマンスを達成し、隠しテストセットにおいてDiceスコア0.6667、最終順位1位を記録した。

ABSTRACT

Accurate stroke lesion segmentation plays a pivotal role in stroke rehabilitation research, to provide lesion shape and size information which can be used for quantification of the extent of the stroke and to assess treatment efficacy. Recently, automatic segmentation algorithms using deep learning techniques have been developed and achieved promising results. In this report, we present our stroke lesion segmentation model based on nnU-Net framework, and apply it to the Anatomical Tracings of Lesions After Stroke (ATLAS v2.0) dataset. Furthermore, we describe an effective post-processing strategy that can improve some segmentation metrics. Our method took the first place in the 2022 MICCAI ATLAS Challenge with an average Dice score of 0.6667, Lesion-wise F1 score of 0.5643, Simple Lesion Count score of 4.5367, and Volume Difference score of 8804.9102. Our code and trained model weights are publicly available at https://github.com/King-HAW/ATLAS-R2-Docker-Submission.

研究の動機と目的

• 多施設MRIデータセットにおける高い可変性に対応できる、頑健で一般化可能な脳梗塞病変セグメンテーション手法の開発。
• 異種の脳梗塞MRIデータで学習されたディープラーニングモデルにおける過学習および分布シフトの問題の解決。
• モデルアンサンブルと後処理を通じて、小規模で複雑な病変のセグメンテーションパフォーマンスの向上。
• 特に隠しテストセットにおいて、ATLAS v2.0ベンチマークで最先端の結果を達成すること。
• 臨床および研究現場における脳梗塞病変セグメンテーションのための公開可能で再現可能なソリューションの提供。

提案手法

• 予測の多様性を最大化するために、異なるデータオーグメンテーション、損失関数、トレーニングスキームを用いて4つの異なるnnU-Netモデルをトレーニングした。
• 4つのトレーニング済みモデルの予測をアンサンブルすることでモデルアンサンブルを実施し、頑健性を向上させ、ばらつきを低減した。
• マスキング操作と連結成分解析を用いて、病変境界を精緻化するとともに、小さな孤立した誤検出領域を除去する、特化した後処理戦略を実装した。
• 各フォールドに均等に病変サイズの分布が得られるよう、トレーニングセットでサイズ別に5分割した交差検証を実施した。
• MNI-152テンプレートの正規化と登録を用いて、多様な画像取得プロトコル間での入力画像の標準化を実現した。
• 公式のMICCAI評価プラットフォームを用いて、公的および隠しテストセットで手法を検証した。厳密なメトリック重み付けにより過学習を抑制した。

実験結果

リサーチクエスチョン

• RQ1 異なるトレーニングスキームにわたるモデルアンサンブルは、多施設MRIデータセットにおける脳梗塞病変セグメンテーションの一般化を改善できるか？
• RQ2 後処理は、過学習を抑える中で、アンサンブル予測を改善し、特定の評価指標を向上させることができるか、その程度はいかほどか？
• RQ3 小規模で非連結な病変に対して、本手法はどのように性能を示すか。これらは脳梗塞セグメンテーションにおける知られている課題である。
• RQ4 多様なトレーニングスキームと後処理の組み合わせは、ATLAS v2.0チャレンジの隠しテストセットにおいて、個々のモデルを上回る性能を発揮できるか？
• RQ5 実臨床データに見られる多様なスキャン品質と病変形状に対し、本手法は高いパフォーマンスを維持できるか？

主な発見

• MAPPING手法は2022年MICCAI ATLASチャレンジで最高のパフォーマンスを達成し、隠しテストセットでDiceスコア0.6667、順位1位を獲得した。
• 4つの多様なモデルのアンサンブルは、個々のモデルと比較して、誤検出の低減と病変境界の滑らかさ向上という点で、顕著なセグメンテーション精度の向上を示した。
• 後処理ステップは、小さな不審な領域を効果的に低減し、病変単位F1スコアを0.5643、シンプル病変数スコアを4.5367に改善した。
• 強力な全体的パフォーマンスにもかかわらず、本手法は極めて小さな病変や非連結成分に対しては依然として困難を示しており、定性的な失敗事例で明らかになった。
• 本手法は多様なスキャンプロトコルと病変形状に対し頑健であることが示され、未学習データに対する優れた一般化能力を示した。
• 最終順位表の重み付きスコア3.317は、より複雑なアーキテクチャを有する他の手法と比較して、本手法の優位性を裏付けた。