[論文レビュー] Multiple Instance Segmentation in Brachial Plexus Ultrasound Image Using BPMSegNet

Yi Ding, Qiqi Yang+3 more|arXiv (Cornell University)|Dec 22, 2020

Medical Imaging and Analysis参考文献 49被引用数 7

ひとこと要約

本論文は、空間局所コントラスト特徴、自己注意ゲート、および改良された特徴ピラミッドアップサンプリングを統合した深層学習フレームワーク、BPMSegNetを提案する。この手法は新たに構築された超音波 brachial plexus データセット（UBPD）で最先端の性能を達成し、セグメンテーションではAPスコアが58.02（AP50）、48.92（AP60）、37.18（AP）を記録し、検出では62.97（AP50）、56.46（AP60）、37.62（AP）を達成した。

ABSTRACT

The identification of nerve is difficult as structures of nerves are challenging to image and to detect in ultrasound images. Nevertheless, the nerve identification in ultrasound images is a crucial step to improve performance of regional anesthesia. In this paper, a network called Brachial Plexus Multi-instance Segmentation Network (BPMSegNet) is proposed to identify different tissues (nerves, arteries, veins, muscles) in ultrasound images. The BPMSegNet has three novel modules. The first is the spatial local contrast feature, which computes contrast features at different scales. The second one is the self-attention gate, which reweighs the channels in feature maps by their importance. The third is the addition of a skip concatenation with transposed convolution within a feature pyramid network. The proposed BPMSegNet is evaluated by conducting experiments on our constructed Ultrasound Brachial Plexus Dataset (UBPD). Quantitative experimental results show the proposed network can segment multiple tissues from the ultrasound images with a good performance.

研究の動機と目的

• ノイズ、乏しいテクスチャ、ぼやけた境界線のため、識別が困難な小規模で低コントラストな brachial plexus 神経を超音波画像で正確にセグメンテーションする課題に対処すること。
• 臨床実践を参考に、神経と周囲組織（筋肉、静脈、動脈）の解剖学的関係を活用することで、インスタンスセグメンテーションの性能を向上させること。
• 超音波画像セグメンテーションに特化した軽量で効果的な深層学習アーキテクチャを設計し、特徴表現とアップサンプリングを改善すること。
• ベンチマークと再現可能性のある研究を支援するため、専用で高品質なデータセット（UBPD）を構築すること。
• 既存の最先端手法（例：Mask R-CNN や YOLACT）と比較して、検出およびセグメンテーションの両タスクで優れた性能を達成すること。

提案手法

• 神経のような小さな目立たない構造の可視性を向上させるために、局所的な空間解像度でマルチスケールコントラスト特徴を計算する空間局所コントラスト特徴（SLCF）モジュールを提案する。
• チャネルごとの重要度に基づいて特徴マップの重みを再調整することで、関連する解剖学的特徴に注目し、ノイズを抑制する自己注意ゲート（SAG）モジュールを導入する。
• 段階的アップサンプリングを transpose 卷積とスキップ接続に置き換えることで、特徴の流れを向上させ、空間的詳細を保持するように特徴ピラミッドネットワーク（FPN）を改良する。
• マスク R-CNN フレームワークを変更して、1回の推論で複数の組織（神経、動脈、静脈、筋肉）の検出とセグメンテーションを同時に実行可能にする。
• SLCF、SAG、および強化された FPN を統合した新しいネットワークアーキテクチャ、BPMSegNet を設計し、マルチスケール特徴と文脈的関係を同時に学習する。
• 超音波 brachial plexus データセット（UBPD）を構築し、5つの組織クラスのピクセルレベルマスクを含む1,000枚のアノテート済み超音波画像を収録した。

実験結果

リサーチクエスチョン

• RQ1 マルチスケールコントラスト特徴は、超音波画像における小規模で低コントラストな神経の検出を改善できるか？
• RQ2 自己注意メカニズムは、brachial plexus 超音波画像において、関連する解剖学的構造を的確に強調することで特徴表現を向上させられるか？
• RQ3 FPN にスキップ接続と transpose 卷積を統合することで、セグメンテーションの正確性と境界の局所化が向上するか？
• RQ4 専用データセットで学習したディープラーニングモデルは、既存の手法と比較して brachial plexus インスタンスセグメンテーションで優れた性能を達成できるか？
• RQ5 提案されたモジュール（SLCF、SAG、改良された FPN）は、どのようにしてセグメンテーションおよび検出性能を相乗的に向上させるか？

主な発見

• 提案された BPMSegNet は UBPD データセットで最先端の性能を達成し、セグメンテーションでは AP50 が 58.02、AP が 37.18 であった。Mask R-CNN や YOLACT を上回った。
• 検出タスクでは、BPMSegNet は AP50 が 62.97、AP60 が 56.46、AP が 37.62 を達成し、Mask R-CNN（AP50 58.00）や YOLACT（AP50 62.01）を顕著に上回った。
• アブレーションスタディにより、SLCF、SAG、改良された FPN の3つのモジュールが相乗的に寄与することが確認され、単一の SLCF でのみでも AP50 が 3.96 ポints 向上した。
• ネットワークは計算オーバーヘッドを低く抑え、ベースラインと比較してパrameter数と FLOPs がわずかに増加するにとどまり、SLCF と SAG の効率性を裏付けた。
• 可視化結果から、BPMSegNet は滑らかで正確なセグメンテーションマスクを生成し、細部まで高精度に再現しており、真値に近い。一方、Mask R-CNN はしばしば小さな構造を逃すか、誤分類する。
• UBPD データセットは、多様な被験者データと熟練医師によるアノテーションを備えており、今後の研究の信頼できるベンチマークを提供する。