[論文レビュー] Multiple Sclerosis Lesion Segmentation from Brain MRI via Fully Convolutional Neural Networks

Snehashis Roy, John A. Butman+3 more|arXiv (Cornell University)|Mar 24, 2018

Brain Tumor Detection and Classification参考文献 61被引用数 62

ひとこと要約

並列のマルチコントラスト経路を備えたFully Convolutional CNN（FLEXCONN）は、マルチコントラストMRIからMS病変のセグメンテーションを実現し、ISBI-61およびMS-100データセットで複数の最新手法を上回る。

ABSTRACT

Multiple Sclerosis (MS) is an autoimmune disease that leads to lesions in the central nervous system. Magnetic resonance (MR) images provide sufficient imaging contrast to visualize and detect lesions, particularly those in the white matter. Quantitative measures based on various features of lesions have been shown to be useful in clinical trials for evaluating therapies. Therefore robust and accurate segmentation of white matter lesions from MR images can provide important information about the disease status and progression. In this paper, we propose a fully convolutional neural network (CNN) based method to segment white matter lesions from multi-contrast MR images. The proposed CNN based method contains two convolutional pathways. The first pathway consists of multiple parallel convolutional filter banks catering to multiple MR modalities. In the second pathway, the outputs of the first one are concatenated and another set of convolutional filters are applied. The output of this last pathway produces a membership function for lesions that may be thresholded to obtain a binary segmentation. The proposed method is evaluated on a dataset of 100 MS patients, as well as the ISBI 2015 challenge data consisting of 14 patients. The comparison is performed against four publicly available MS lesion segmentation methods. Significant improvement in segmentation quality over the competing methods is demonstrated on various metrics, such as Dice and false positive ratio. While evaluating on the ISBI 2015 challenge data, our method produces a score of 90.48, where a score of 90 is considered to be comparable to a human rater.

研究の動機と目的

• マルチコントラストMR画像からのMS病変セグメンテーションのためのFully Convolutional CNNアーキテクチャを示す。
• 大きな2Dパッチと畳み込みベースのメンバーシップ予測を用いることがセグメンテーション精度に与える影響を評価する。
• 公開データセットおよび民間データセット全体で、FLEXCONNを既存のMS病変セグメンテーション法と比較する。

提案手法

• MPRAGEとFLAIRなどのマルチコントラスト入力に対して、特徴抽出のために2つの並列畳み込み経路を使用する。
• 経路出力を結合し、病変メンバーシップマップを生成する2つ目の畳み込み経路を適用する。
• トレーニングメンバーシップはGaussianぼかしを施した手動マスクから生成されるパッチベースの監視で訓練する。
• 空間的一貫性を向上させ、偽陽性を減らすため、最終的な全結合層よりも完全畳み込み予測を好む。
• パッチサイズ（35x35）と経路の深さ（5つのフィルタバンク）をVAL-28検証セットを用いて最適化する。
• メンバーシップマップをしきい値(0.30)で2値セグメンテーションに変換し、Dice、LFPR、PPV、VDで評価する。

実験結果

リサーチクエスチョン

• RQ1 完全畳み込みCNNは従来の手法よりもMS病変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 Diceスコアと偽陽性の最良のバランスを提供するパッチサイズとネットワークの深さはどれか。
• RQ3 ISBI-61およびMS-100データセット上でFLEXCONNはLesionTOADS、OASIS、LST、S3DLとどう比較されるか。

主な発見

手法	Dice	LFPR	PPV	VD	スコア
LesionTOADS	0.4678	0.6865	0.3968	0.4718	-
S3DL	0.5526	0.4164	0.5968	0.2755	-
OASIS	0.4993	0.5081	0.6242	0.2681	-
LST	0.4239	0.4409	0.7820	0.5623	-
FLEXCONN	0.5639	0.3077	0.6040	0.1978	-

• FLEXCONNが競合手法より高いDiceと低い病変偽陽性率(LFPR)および体積差(VD)をMS-100で達成。
• MS-100では、FLEXCONNの中央値指標: Dice 0.5639, LFPR 0.3077, PPV 0.6040, VD 0.1978。
• ISBI-61では、FLEXCONNが評価対象の手法の中で最高スコアを報告: Score 90.48、セグメンテーション精度は人間の評価者間の信頼性に匹敵。
• FCベースの予測と比較して、畳み込みメンバーシップアプローチは皮質での偽陽性を減らし、全体の推定を高速化（3Dボリュームあたり数秒）する。
• 最良の性能は35x35パッチと5経路の深さで得られる。小さなパッチはDiceと LFPRで劣る。