[論文レビュー] ME-Net: Multi-Encoder Net Framework for Brain Tumor Segmentation

Wenbo Zhang, Guang Yang+5 more|arXiv (Cornell University)|Mar 21, 2022

Advanced Neural Network Applications被引用数 5

ひとこと要約

ME-Netは、4つのMRIモodaliti（T1、T1c、T2、FLAIR）を用いて脳腫瘍セグメンテーションを行う3次元マルチエンコーダーU-Netフレームワークを提案する。別々のエンコーダーからの特徴を統合することで、セグメンテーション精度を向上させる。ボクセルの不均衡に対処するため、領域別に重み付けされたカテゴリカルDice損失を導入し、BraTS 2020検証データ上で、全腫瘍、腫瘍コア、強化腫瘍のそれぞれについて、Diceスコアが0.702、0.883、0.739を達成した。

ABSTRACT

Glioma is the most common and aggressive brain tumor. Magnetic resonance imaging (MRI) plays a vital role to evaluate tumors for the arrangement of tumor surgery and the treatment of subsequent procedures. However, the manual segmentation of the MRI image is strenuous, which limits its clinical application. With the development of deep learning, a large number of automatic segmentation methods have been developed, but most of them stay in 2D images, which leads to subpar performance. Moreover, the serious voxel imbalance between the brain tumor and the background as well as the different sizes and locations of the brain tumor makes the segmentation of 3D images a challenging problem. Aiming at segmenting 3D MRI, we propose a model for brain tumor segmentation with multiple encoders. The structure contains four encoders and one decoder. The four encoders correspond to the four modalities of the MRI image, perform one-to-one feature extraction, and then merge the feature maps of the four modalities into the decoder. This method reduces the difficulty of feature extraction and greatly improves model performance. We also introduced a new loss function named "Categorical Dice", and set different weights for different segmented regions at the same time, which solved the problem of voxel imbalance. We evaluated our approach using the online BraTS 2020 Challenge verification. Our proposed method can achieve promising results in the validation set compared to the state-of-the-art approaches with Dice scores of 0.70249, 0.88267, and 0.73864 for the intact tumor, tumor core, and enhanced tumor, respectively.

研究の動機と目的

• 高次のボクセル不均衡と変動する腫瘍のサイズ・位置に起因する、MRIにおける3次元脳腫瘍セグメンテーションの課題に対処すること。
• マルチモodal MRIにおける3次元空間的コンテキストを活用することで、2次元ベースのディープラーニング手法を上回る性能を実現すること。
• 新たな重み付き損失関数を用いて、腫瘍セグメンテーションにおけるクラス不均衡の影響を軽減すること。
• 各MRIモダリティを独立して処理するマルチエンコーダー構造を構築すること。

提案手法

• モデルは4つの独立したエンコーダーを採用し、それぞれが1つのMRIモダリティ（T1、T1c、T2、FLAIR）を処理することで、モダリティ固有の特徴抽出を可能にする。
• 4つのエンコーダーからの特徴が連結され、共有デコーダーに供給され、セグメンテーション予測が行われる。
• 新たな損失関数であるカテゴリカルDiceは、腫瘍領域（全腫瘍、腫瘍コア、強化腫瘍）ごとに異なる重みを割り当て、クラス不均衡に対処する。
• 標準的なデータオーグメンテーションを用いて、BraTS 2020検証データセット上でエンドツーエンドでネットワークを訓練する。
• 3次元ボリューム全体にわたる空間的コンテキストを保持するようにアーキテクチャを設計し、複雑な腫瘍形状に対する一般化性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 マルチエンコーダー3次元U-Netフレームワークは、単一エンコーダー・モデルと比較して、脳腫瘍セグメンテーション性能を向上させることができるか？
• RQ2 マルチコントラストMRIデータの腫瘍セグメンテーションにおいて、モダリティ固有の特徴抽出戦略はどの程度効果的か？
• RQ3 領域重み付きカテゴリカルDice損失は、腫瘍セグメンテーションにおけるボクセル不均衡の影響をどの程度軽減できるか？
• RQ4 提案手法はBraTS 2020ベンチマークにおいて、最先端の手法を上回る性能を示すか？

主な発見

• ME-Netは全腫瘍に対して0.70249のDiceスコアを達成し、最大の腫瘍領域で優れた性能を示した。
• 腫瘍コアに対しては0.88267のDiceスコアを達成し、臨床的に最も重要な領域で高い正確性を示した。
• 強化腫瘍に対しては0.73864のDiceスコアを達成し、造影強化領域の検出においても高い頑健性を示した。
• カテゴリカルDice損失は、トレーニング中に背景ボクセルの優位性を低減することで、セグメンテーション性能を顕著に向上させた。
• マルチエンコーダー設計は、各MRIモダリティごとのより効果的な特徴学習を可能にし、単一エンコーダーベースラインを上回った。
• BraTS 2020検証セットにおいて、トップパフォーマンスモデルの一つにランクされたことから、本手法の最先端性能が確認された。