[論文レビュー] NaviAirway: a Bronchiole-sensitive Deep Learning-based Airway Segmentation Pipeline

Andong Wang, Terence Chun Tam+3 more|arXiv (Cornell University)|Mar 8, 2022

Lung Cancer Diagnosis and Treatment被引用数 10

ひとこと要約

NaviAirway は、細気管支感受性損失関数と反復学習戦略を導入することで、肺CTスキャンにおける気道のトポロジー的正確性を向上させる深層学習ベースの気道セグメンテーションパイプラインです。細気管支の検出性能が向上し、多様なCTスキャンにわたって良好な汎化性能を示し、複数のバックボーンモデルで性能向上を達成しています。

ABSTRACT

Airway segmentation is essential for chest CT image analysis. Different from natural image segmentation, which pursues high pixel-wise accuracy, airway segmentation focuses on topology. The task is challenging not only because of its complex tree-like structure but also the severe pixel imbalance among airway branches of different generations. To tackle the problems, we present a NaviAirway method which consists of a bronchiole-sensitive loss function for airway topology preservation and an iterative training strategy for accurate model learning across different airway generations. To supplement the features of airway branches learned by the model, we distill the knowledge from numerous unlabeled chest CT images in a teacher-student manner. Experimental results show that NaviAirway outperforms existing methods, particularly in the identification of higher-generation bronchioles and robustness to new CT scans. Moreover, NaviAirway is general enough to be combined with different backbone models to significantly improve their performance. NaviAirway can generate an airway roadmap for Navigation Bronchoscopy and can also be applied to other scenarios when segmenting fine and long tubular structures in biomedical images. The code is publicly available on https://github.com/AntonotnaWang/NaviAirway.

研究の動機と目的

• 気道セグメンテーションにおけるトポロジー的不正確性、特にボクセル単位のクラス不均衡に起因する細気管支の検出失敗という課題に対処すること。
• 体積的には大きな気道が支配的であるが臨床的に重要である細気管支とその他の気道の間のサイズ不均衡問題を克服すること。
• 反復学習戦略と未ラベルデータからの知識蒸留を用いて、気道の各世代にわたるモデルの汎化性能と特徴学習を向上させること。
• さまざまなバックボーンモデルと互換性があるプラグアンドプレイ型フレームワークを構築し、それらのセグメンテーション性能を向上させること。
• ナビゲーションブロンコスコピー用の正確な3次元気道ロードマップ生成、および生体医療画像における細い管状構造のセグメンテーションを可能にすること。

提案手法

• 細気管支検出を強化するため、中程度の信頼度の気道予測をペナルティ化し、低信頼度の誤検出を抑制する細気管支感受性損失関数 $\mathfrak{L}_{pen}$ を提案する。
• 人間の視覚認識を模倣した反復的学習戦略を導入し、モデルが低世代と高世代の気道に交互に注目することで、世代間の特徴を保持する。
• 多数の未ラベルCTスキャンを用いた教師-生徒の蒸留フレームワークを採用し、手動ラベルなしで気道分岐特徴の知識を転送することで、特徴表現を向上させる。
• 訓練中に気道分岐の体積バランスをとるために、$r_i^j \approx 2/\hat{r}$ の比に基づくサンプリングを実施し、サイズ不均衡の影響を軽減する。
• ハイパーパramータのチューニングなしに、3D U-Net、V-Net、VoxResNet、Wang et al. の複数のバックボーンモデルにパイプラインを適用し、広範な互換性と性能向上を実証した。
• 標準的な指標に代えて、参照ラベルに存在する真の分岐が見逃された場合を考慮した修正版指標（調整済み分岐検出率：ABD、調整済み木の長さ検出率：ATD）を導入した。

実験結果

リサーチクエスチョン

• RQ1 中程度の信頼度の予測をペナルティ化し、ノイズを抑制することで、細気管支の検出を優先する損失関数を設計可能か？ これにより気道セグメンテーションのトポロジー的正確性が向上するか？
• RQ2 極端なサイズ不均衡があるにもかかわらず、深層学習モデルが顕著に異なる気道世代にわたる特徴を効果的に学習できるか？
• RQ3 未ラベルCTスキャンからの知識蒸留が、気道セグメンテーションの特徴学習にどの程度向上効果をもたらすか？
• RQ4 反復的学習戦略は、異なるCTスキャナーや施設間でのモデル性能と汎化性能を向上させるか？
• RQ5 提案されたパイプラインは、さまざまなバックボーンアーキテクチャと効果的に組み合わせられ、それらのセグメンテーション性能を向上させることができるか？

主な発見

• NaviAirway は高世代の細気管支検出を顕著に向上させ、QMHデータセットで95.4%の感度と90.2%の分岐検出率（BD）を達成し、既存手法を上回った。
• BASデータセットでは114.2%の調整済み分岐検出率（ABD）と113.2%の調整済み木の長さ検出率（ATD）を達成し、参照ラベルを上回る真の細気管支を検出していることを示した。
• 未観測のQMHデータセットでも、132.4%のABDと108.6%のATDを維持し、新規データおよびスキャナのばらつきに対して頑健であることを示した。
• 3D U-Net、V-Net、VoxResNet、Wang et al. のモデルに適用した結果、ハイパーパramータのチューニングなしに全バックボーンで性能向上が確認され、汎用性が裏付けられた。
• 細気管支感受性損失関数は、$\mathfrak{L}_{pen}$ の微分解析により、中程度の信頼度の予測を効果的にペナルティ化し、低信頼度のノイズを排除していることが示された。
• 反復的学習戦略により、高世代の微調整中に低世代気道特徴の消失を防ぎ、トポロジーの整合性が保持された。