[論文レビュー] Near Real-time Hippocampus Segmentation Using Patch-based Canonical Neural Network

Zhongliu Xie, Duncan Gillies|arXiv (Cornell University)|Jul 15, 2018

Medical Image Segmentation Techniques参考文献 7被引用数 7

ひとこと要約

本稿では、ReLU活性化関数、ドロップアウト正則化、および2.5次元三平面マルチパスウェイ入力構造を活用したパッチベースの深層ニューラルネットワーク（PatchDNN）を提案する。この手法により、脳MRIにおける海馬のセグメンテーションがほぼリアルタイムで達成され、1スキャンあたり1秒未塔で中央値Diceスコア90.98％を達成した。これは、従来の最先端のパッチベースセグメンテーションおよび深層学習手法と比較して、速度と正確性の両面で顕著に優れている。

ABSTRACT

Over the past decades, state-of-the-art medical image segmentation has heavily rested on signal processing paradigms, most notably registration-based label propagation and pair-wise patch comparison, which are generally slow despite a high segmentation accuracy. In recent years, deep learning has revolutionalized computer vision with many practices outperforming prior art, in particular the convolutional neural network (CNN) studies on image classification. Deep CNN has also started being applied to medical image segmentation lately, but generally involves long training and demanding memory requirements, achieving limited success. We propose a patch-based deep learning framework based on a revisit to the classic neural network model with substantial modernization, including the use of Rectified Linear Unit (ReLU) activation, dropout layers, 2.5D tri-planar patch multi-pathway settings. In a test application to hippocampus segmentation using 100 brain MR images from the ADNI database, our approach significantly outperformed prior art in terms of both segmentation accuracy and speed: scoring a median Dice score up to 90.98% on a near real-time performance (<1s).

研究の動機と目的

• MALP や PBS のような従来の信号処理ベースの医療画像セグメンテーション手法が、非剛性登録やペアワイズパッチ比較に依存しており、計算が遅いために計算効率が悪いという問題を克服すること。
• 特にパッチ単位のボクセルラベル付けにおいて、深層畳み込みニューラルネットワーク（CNN）の高いメモリ使用量とトレーニングコストを解消すること。
• T1強調MRIスキャンからの海馬抽出のための、高速で正確かつメモリ効率の良いセグメンテーションフレームワークを開発すること。
• ReLU、ドロップアウト、および2.5次元三平面入力構造を備えた最新の浅い順方向伝搬ニューラルネットワークが、複雑な深層CNNや従来のPBS手法を凌駕し、速度と正確性の両面で優れていることを実証すること。

提案手法

• 本手法は、各ボクセルのラベルを局所的な画像パッチに基づいて分類するパッチベースの深層ニューラルネットワーク（PatchDNN）を採用し、各パッチをミニ画像として扱う。
• 訓練を高速化し収束速度を向上させるために、従来の活性化関数と比較して、修正線形関数（ReLU）活性化関数を採用する。
• 限られた医療画像データにおける過学習を軽減するため、トレーニング中にドロップアウト層を統合する。
• 各3次元パッチの冠状、 coronal、および sagittal 切断を同時に処理する2.5次元三平面マルチパスウェイ入力構造を採用し、計算コストをほとんど増加させずに特徴表現を強化する。
• 畳み込み重み共有の欠如にもかかわらず、GPU上で確率的勾配降下法を用いて効率的な最適化を実現する。
• テスト時の推論は非常に効率的であり、標準GPU上で1つの3次元MRIボリュームのセグメンテーションを1秒未塔で完了する。

実験結果

リサーチクエスチョン

• RQ1 限られたデータを用いたパッチベース医療画像セグメンテーションタスクにおいて、ReLU活性化関数とドロップアウト層が訓練効率と一般化性能をどの程度向上させるか？
• RQ2 2.5次元三平面マルチパスウェイ入力構造は、低メモリおよび計算コストを維持したまま、高精度な海馬セグメンテーションに十分な空間的文脈を提供できるか？
• RQ3 CNNでない深層ニューラルネットワークアーキテクチャが、医療画像セグメンテーションの推論速度とメモリ使用量の面で、最先端の深層CNNベースのセグメンテーションモデルを凌駕できるか？
• RQ4 最新の非畳み込み順方向伝搬ニューラルネットワークが、従来のパッチベースセグメンテーション（PBS）手法と比較して、優れたセグメンテーション正確性と速度を達成できるか？

主な発見

• PatchDNNは、ADNIデータベースの100例の海馬MRIスキャンにおいて中央値Diceスコア90.98％を達成し、従来の最先端PBS手法（中央値Diceスコア86.65％）を顕著に上回った。
• 本手法はほぼリアルタイムの推論性能を達成し、標準GPU上で1つの3次元MRIボリュームのセグメンテーションを1秒未塔で完了した。これは、これまで報告された中で最も高速な海馬セグメンテーションシステムである。
• PBSベースライン手法は1スキャンあたり197～645秒を要した（事前処理を除く）ため、従来のPBSフレームワークと比較して600倍以上の高速化が達成された。
• PatchDNNフレームワークにおけるReLUおよびドロップアウトの使用により、収束が速くなり、過学習が軽減され、限られたトレーニングデータでも高い性能が達成された。
• 2.5次元三平面入力構造は、3次元畳み込みネットワークのメモリおよび計算負荷を伴わずに、強力な空間的文脈を提供し、効率的かつ正確な特徴学習を可能にした。
• PatchDNNフレームワークは、健常者、MCI、アルツハイマー病患者を含む多様な被験者に対して高いロバスト性を示し、人口統計的サブグループ間で顕著な性能低下が見られなかった。