[論文レビュー] MRI Brain Tumor Segmentation using Random Forests and Fully Convolutional Networks

Mohammadreza Soltaninejad, Lei Zhang+4 more|arXiv (Cornell University)|Sep 13, 2019

Brain Tumor Detection and Classification参考文献 7被引用数 18

ひとこと要約

本論文では、深層学習と手作業特徴を組み合わせたハイブリッド手法を提案する。完全畳み込みネットワーク（FCN）を用いて機械学習特徴を抽出し、テキストンベースの特徴を手作業特徴として用い、ランダムフォレストで分類する。BRATS 2017データセット上で評価したところ、全腫瘍、腫瘍コア、強化腫瘍のそれぞれについて、平均Diceスコアは0.86、0.78、0.66を達成した。

ABSTRACT

In this paper, we propose a novel learning based method for automated segmentation of brain tumor in multimodal MRI images, which incorporates two sets of machine -learned and hand crafted features. Fully convolutional networks (FCN) forms the machine learned features and texton based features are considered as hand-crafted features. Random forest (RF) is used to classify the MRI image voxels into normal brain tissues and different parts of tumors, i.e. edema, necrosis and enhancing tumor. The method was evaluated on BRATS 2017 challenge dataset. The results show that the proposed method provides promising segmentations. The mean Dice overlap measure for automatic brain tumor segmentation against ground truth is 0.86, 0.78 and 0.66 for whole tumor, core and enhancing tumor, respectively.

研究の動機と目的

• マルチモodal MRIにおける脳腫瘍の自動セグメンテーションを向上させること。
• 異質な脳腫瘍画像における正確な腫瘍境界検出の課題に対処すること。
• 学習済み特徴と設計済み特徴の両方を活用し、腫瘍の亜領域（浮腫、壊死、強化腫瘍）の分類を改善すること。
• BRATS 2017ベンチマークデータセットで頑健な性能を達成すること。

提案手法

• マルチモダリティMRIスキャンから階層的で機械学習された特徴を抽出するために、完全畳み込みネットワーク（FCN）が用いられる。
• テキストンベースの特徴が、MRIデータ内の局所的なテクスチャパターンを捉える手作業特徴として抽出される。
• ランダムフォレスト（RF）分類器が、FCNおよびテキストン特徴を統合し、正常組織および腫瘍亜型のボクセル単位のラベルを予測する。
• モデルは、マルチモーダルなT1、T1c、T2、FLAIRシーケンスを用いてBRATS 2017データセット上でエンドツーエンドに訓練される。
• セグメンテーション精度を向上させるために、FCNおよびテキストン特徴の重み付き融合を用いたボクセル単位の分類が実施される。
• 全腫瘍、腫瘍コア、強化腫瘍を区別する多クラス分類戦略が採用される。

実験結果

リサーチクエスチョン

• RQ1 深層学習特徴と手作業特徴であるテキストン特徴の組み合わせが、脳腫瘍セグメンテーションの精度を向上させることができるか？
• RQ2 完全畳み込みネットワークとランダムフォレストの統合は、純粋な深層学習アプローチと比較して、腫瘍セグメンテーションにおいてどのように優れているか？
• RQ3 本手法は、BRATS 2017ベンチマークにおいて全腫瘍、腫瘍コア、強化腫瘍亜領域のそれぞれでどの程度の性能を示すか？
• RQ4 手作業特徴の使用が、データが少ないまたはノイズの多いMRI環境における一般化性能を向上させるか？

主な発見

• 提案手法は、BRATS 2017データセットにおいて全腫瘍セグメンテーションで平均Dice重複度0.86を達成した。
• 腫瘍コア領域ではDiceスコアが0.78に達し、最も診断的に重要な亜領域において優れた性能を示した。
• 強化腫瘍亜領域ではDiceスコアが0.66であったが、これは小さな変動が大きい強化領域を検出する難しさを反映している。
• ランダムフォレストによるFCNとテキストンベース特徴の統合により、ベースライン手法と比較してセグメンテーションのロバスト性が向上した。
• 結果から、手作業特徴が学習済み特徴を補完し、特に腫瘍境界における微細なテクスチャパターンを捉えるのに有効であることが示された。