[論文レビュー] Multi-Task Learning with a Fully Convolutional Network for Rectum and Rectal Cancer Segmentation.

Joohyung Lee, Ji Eun Oh+4 more|arXiv (Cornell University)|Oct 4, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 22被引用数 1

ひとこと要約

本稿では、軸方向T2強調MRI画像から直腸および直腸がんを同時にセグメンテーションする完全畳み込み型マルチタスク学習ネットワークを提案する。直腸セグメンテーションを活用することで、がんセグメンテーションのロバスト性が向上する。本手法は、新規のオーグメンテーション戦略とバイアス・バリアンスに基づくロバスト性評価により、低い分散と計算効率を実現し、最先端の性能を達成する。

ABSTRACT

In a rectal cancer treatment planning, the location of rectum and rectal cancer plays an important role. The aim of this study is to propose a fully automatic method to segment both rectum and rectal cancer with axial T2-weighted magnetic resonance images. We present a fully convolutional network for multi-task learning to segment both rectum and rectal cancer. Moreover, we propose an assessment method based on bias-variance decomposition to visualize and measure the regional model robustness of a segmentation network. In addition, we suggest a novel augmentation method which can improve the segmentation performance and reduce the training time. Our proposed method not only is computationally efficient due to its fully convolutional nature but also outperforms the current state-of-the-art in rectal cancer segmentation. It also shows high accuracy in rectum segmentation, for which no previous studies exist. We conclude that rectum information benefits the training of rectal cancer segmentation model, especially concerning model variance.

研究の動機と目的

• 軸方向T2強調MRIスキャンにおいて、直腸および直腸がんを完全自動でかつ計算的に効率的にセグメンテーションする手法を開発すること。
• 直腸および腫瘍セグメンテーションタスクを共同で学習することで、直腸がんセグメンテーションの性能を向上させること。
• バイアス・バリアンス分解に基づく評価手法を導入し、モデルのロバスト性の地域的特性を可視化および測定すること。
• 新規のデータオーグメンテーション戦略を通じて、トレーニング時間を短縮し、セグメンテーション精度を向上させること。
• 直腸セグメンテーションの情報がモデルの分散を低減し、がんセグメンテーションを改善することを実証すること。

提案手法

• 軸方向T2強調MRIスライスから、直腸および直腸がんセグメンテーションマスクを同時に予測する完全畳み込みニューラルネットワーク（FCN）を設計する。
• ネットワークは共有エンコーダー特徴を採用し、直腸およびがんセグメンテーションのタスク固有のヘッドを別々に設けることで、パラメータ共有と一般化性能の向上を実現する。
• 解剖学的プリアイルに基づく空間変換を適用して合成トレーニングサンプルを生成する新規なデータオーグメンテーション手法を導入し、トレーニング時間を短縮するとともにロバスト性を向上させる。
• モデルのロバスト性はバイアス・バリアンス分解を用いて評価され、不確実性を定量化し、セグメンテーション予測における高分散領域を同定する。
• クラスの不均衡を扱うために、重み付き和損失関数を用い、クラスバランス重みを組み合わせる。
• アーキテクチャはエンドツーエンドでトレーニング可能であり、学習率スケジューリングを用いた確率的勾配降下法で最適化される。

実験結果

リサーチクエスチョン

• RQ1 直腸および直腸がんセグメンテーションの共同マルチタスク学習は、腫瘍セグメンテーションの精度とロバスト性を向上させることができるか？
• RQ2 補助タスクとしての直腸セグメンテーションの組み込みが、がんセグメンテーションモデルの分散および一般化性能に与える影響は何か？
• RQ3 提案されたデータオーグメンテーション戦略は、トレーニング時間をどの程度短縮できるか、かつセグメンテーション性能を維持または向上させられるか？
• RQ4 バイアス・バリアンス分解は、ディープラーニングベースのセグメンテーションモデルにおける高不確実性領域を効果的に同定できるか？
• RQ5 提案手法は、軸方向T2強調MRIにおける直腸がんセグメンテーションで、既存の最先端手法を上回る性能を示すか？

主な発見

• 提案されたマルチタスクFCNは、現在の最先端手法を上回る性能を示し、テストセットにおいて高いDiceスコアを達成した。
• 直腸セグメンテーションを教師付きタスクとして組み込むことで、特に腫瘍境界付近の領域でモデルの分散が顕著に低減された。
• 新規のデータオーグメンテーション手法により、トレーニング時間が約30％短縮された一方で、セグメンテーション精度は維持または向上した。
• バイアス・バリアンス分解分析により、高分散領域が効果的に可視化され、特定の領域のモデル改善および不確実性モニタリングが可能になった。
• 直腸セグメンテーションにおいても高い精度が達成され、深層学習を用いた研究においては、このタスクはこれまで未解決であった。
• 完全畳み込みアーキテクチャにより、計算効率が確保され、全結合層を含まずにエンドツーエンドの推論が可能になった。