[論文レビュー] Multimodal MRI brain tumor segmentation using random forests with features learned from fully convolutional neural network

Mohammadreza Soltaninejad, Lei Zhang+3 more|arXiv (Cornell University)|Apr 26, 2017

Brain Tumor Detection and Classification参考文献 15被引用数 11

ひとこと要約

本論文では、完全畳み込みニューラルネットワーク（FCN）で学習された特徴量と手作業で設計されたテキストン特徴量をランダムフォレスト分類器内で統合するハイブリッド脳腫瘍セグメンテーション手法を提案する。BRATS 2013データセットのマルチモodal MRIデータを活用することで、腫瘍全体、腫瘍コア、強化腫瘍の順に、それぞれ0.88、0.80、0.73のDiceスコアを達成し、自動セグメンテーションにおいて優れた性能を示した。

ABSTRACT

In this paper, we propose a novel learning based method for automated segmenta-tion of brain tumor in multimodal MRI images. The machine learned features from fully convolutional neural network (FCN) and hand-designed texton fea-tures are used to classify the MRI image voxels. The score map with pixel-wise predictions is used as a feature map which is learned from multimodal MRI train-ing dataset using the FCN. The learned features are then applied to random for-ests to classify each MRI image voxel into normal brain tissues and different parts of tumor. The method was evaluated on BRATS 2013 challenge dataset. The results show that the application of the random forest classifier to multimodal MRI images using machine-learned features based on FCN and hand-designed features based on textons provides promising segmentations. The Dice overlap measure for automatic brain tumor segmentation against ground truth is 0.88, 080 and 0.73 for complete tumor, core and enhancing tumor, respectively.

研究の動機と目的

• マルチモーダルMRIにおける自動脳腫瘍セグメンテーションの向上を図り、ディープラーニングと手作業特徴量を統合すること。
• 複雑で不均一なMRIスキャンにおける正確な腫瘍境界検出の課題に対処すること。
• 学習済み特徴量とエンジニアリング特徴量の両方を活用する、強固で一般化可能なセグメンテーションフレームワークの開発。
• 標準的なセグメンテーション指標を用いて、BRATS 2013ベンチマークデータセットでの性能を評価すること。

提案手法

• 完全畳み込みニューラルネットワーク（FCN）をマルチモーダルMRIトレーニングデータ上でエンドツーエンドに訓練し、ボクセル単位の腫瘍確率予測を表すスコアマップを生成する。
• FCNの最終畳み込み層の特徴量を抽出し、各ボクセルの高レベルで機械学習された表現として利用する。
• 同じMRIモodalから手作業で設計されたテキストン特徴量を計算し、局所的なテクスチャパターンを捉える。
• これらのFCNで学習された特徴量とテキストン特徴量を連結し、ボクセル単位分類の入力としてランダムフォレスト分類器に供給する。
• ランダムフォレストは、正常な脳組織と異なる腫瘍サブレジオン（腫瘍全体、コア、強化）を区別するように訓練される。
• 推論では、結合された特徴マップを訓練済みランダムフォレストに供給し、最終的なセグメンテーションマスクを出力する。

実験結果

リサーチクエスチョン

• RQ1 完全畳み込みネットワークから得られる深層特徴量と手作業で設計されたテキストン特徴量を統合することで、マルチモーダルMRIにおける脳腫瘍セグメンテーションの精度が向上するか？
• RQ2 学習済み特徴量とエンジニアリング特徴量の統合は、単独で使用するいずれの特徴量タイプよりも優れた性能を示すか？
• RQ3 提案手法は、BRATS 2013ベンチマークデータセットにおいて、標準的なセグメンテーション指標でどの程度の性能を示すか？
• RQ4 ランダムフォレスト分類器は、FCN特徴量とテキストン特徴量の補完的性質を効果的に活用し、腫瘍サブレジオン分類に寄与しているか？

主な発見

• 提案手法は、BRATS 2013データセットにおいて腫瘍全体領域で0.88のDiceオーバーラップスコアを達成した。
• 腫瘍コア領域では0.80のDiceスコアを達成し、臨床的に最も重要な腫瘍部分においても優れた性能を示した。
• 強化腫瘍領域のDiceスコアは0.73であり、最も挑戦的なサブレジオンにおいて中程度の性能を示した。
• FCNで学習された特徴量とテキストン特徴量の統合は、単独で手作業特徴量または学習済み特徴量に依存する手法を上回った。
• ランダムフォレスト分類器は、深層特徴量と手作業特徴量の補完的強みを効果的に組み合わせ、セグメンテーション性能を向上させた。
• 結果から、医療画像セグメンテーションタスクにおいてハイブリッド学習アプローチの有効性が示された。