[論文レビュー] Multi-Scale Fully Convolutional Network for Cardiac Left Ventricle Segmentation

Han Sung Kang, Defeng Chen|arXiv (Cornell University)|Sep 19, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 11被引用数 3

ひとこと要約

本稿では、多スケールプーリングモジュールを統合して文脈的特徴抽出を向上させるとともに、境界詳細の精緻化を図る多スケール完全畳み込みネットワーク（MS-FCN）を提案する。Sunnybrook cine-MRデータセットにおいて、内膜のDiceスコアが0.93、外膜のDiceスコアが0.96を達成し、最先端の性能を示した。

ABSTRACT

The morphological structure of left ventricle segmented from cardiac magnetic resonance images can be used to calculate key clinical parameters, and it is of great significance to the accurate and efficient diagnosis of cardiovascular diseases. Compared with traditional methods, the segmentation algorithms based on fully convolutional neural network greatly improve the accuracy of semantic segmentation. For the problem of left ventricular segmentation, a new fully convolutional neural network structure named MS-FCN is proposed in this paper. The MS-FCN network employs a multi-scale pooling module to ensure that the network maximises the feature extraction ability and uses a dense connectivity decoder to refine the boundaries of the object. Based on the Sunnybrook cine-MR dataset provided by the MICCAI 2009 challenge, numerical experiments demonstrate that our proposed model has obtained state-of-the-art segmentation results: the Dice score of our method reaches 0.93 on the endocardium, and 0.96 on the epicardium.

研究の動機と目的

• 心疾患の診断に不可欠な心筋マヒ画像における正確で効率的な左室内腔セグメンテーションを実現すること。
• 時間のかかる上に観察者間ばらつきが生じやすい従来の手動セグメンテーションの限界を克服すること。
• 深層学習ベースの手法における特徴抽出と境界精緻化の向上を通じて、意味的セグメンテーション性能を改善すること。
• 左室内腔セグメンテーションのベンチマークであるSunnybrook cine-MRデータセットで最先端の結果を達成すること。
• 完全畳み込みエンコーダ・デコーダアーキテクチャにおいて、多スケールプーリングと密な接続構造の有効性を検証すること。

提案手法

• エンコーダ・デコーダアーキテクチャを採用し、エンコーダーステージで15個の連続する3×3畳み込み層と3回のダウンサンプリング処理を実装する。
• 標準的なプーリング層の代わりに、空間的詳細を保持し文脈表現を強化するため、学習可能なパラメータを有するデコンボリューションベースのアップサンプリングを用いた多スケールプーリングモジュールを導入する。
• デコーダーは複数層からの特徴マップを連結する密な接続構造を採用し、勾配の流れを改善し、特徴の再利用を促進することで境界精緻化を実現する。
• 対応するエンコーダーとデコーダー層の間にスキップ接続を組み込むことで、空間情報を保持し、正確な局所化を支援する。
• 各畳み込み層の後にバッチ正規化とReLU活性化関数を適用し、学習の安定化と高速化を図る。
• パラメータ数を削減しながら性能を維持するため、多スケールプーリングモジュールで32グループのデコンボリューションを採用する。

実験結果

リサーチクエスチョン

• RQ1 学習可能なデコンボリューションアップサンプリングを有する多スケールプーリングモジュールは、固定補間法と比較して左室内腔セグメンテーションにおける特徴表現を向上させるか？
• RQ2 デコーダーに密な接続構造を採用することで、標準的なスキップ接続と比較して境界の正確性が顕著に向上するか？
• RQ3 提案されたMS-FCNアーキテクチャは、FCN や U-Net といった既存の最先端モデルと比較して、Sunnybrookデータセットでどのように性能を発揮するか？
• RQ4 バイリニア補間、デコンボリューション、グループデコンボリューションといった異なるアップサンプリング手法は、セグメンテーション精度とパラメータ効率にどのような影響を及ぼすか？
• RQ5 画像コントラストや構造が明確でないアノマリーエリア（例：心尖部、基底部、曖昧な境界）において、モデルのセグメンテーション性能にどのような限界が現れるか？

主な発見

• 提案されたMS-FCNは、Sunnybrookデータセットにおいて内膜のDiceスコアが0.93 ± 0.02、外膜のDiceスコアが0.96 ± 0.01を達成し、従来の完全自動化手法を上回った。
• 多スケールプーリングモジュールにおけるデコンボリューションの適用により、バイリニア補間と比較してセグメンテーション性能が向上した。また、グループデコンボリューションを用いることでパラメータ数を削減しながらも精度を維持した。
• 密な接続構造を有するデコーダーは、内膜と外膜の両方において平均精度距離（APD）を1.61 mmまで低減し、FCN や U-Net を上回る境界精度を達成した。
• 良好な輪郭の割合は、内膜で98.35%、外膜で98.51%に達し、セグメンテーション結果の高い一貫性と信頼性を示した。
• アブレーションスタディの結果、多スケールプーリングモジュールと密な接続構造の両方が性能向上に顕著な貢献を示したが、特に境界精緻化において顕著な効果を示した。
• モデルは、画像コントラストや構造が不明瞭な領域、特に心尖部および基底部領域、曖昧な境界部で最も困難を示した。