[論文レビュー] NeRD: Neural Representation of Distribution for Medical Image Segmentation

Hang Zhang, Rongguang Wang+6 more|arXiv (Cornell University)|Mar 6, 2021

Medical Image Segmentation Techniques参考文献 32被引用数 6

ひとこと要約

NeRDは、医用画像セグメンテーションにおけるパディングおよびプーリング操作による性能低下を軽減するため、空間的に変化する特徴分布をニューラル表現としてモデル化する手法を提案する。座標から分布への写像を暗黙関数によって学習することで、白質病変および左房のセグメンテーション精度が向上し、構造的変更を最小限に抑えつつ、より大きなネットワークと同等の性能を達成する。

ABSTRACT

We introduce Neural Representation of Distribution (NeRD) technique, a module for convolutional neural networks (CNNs) that can estimate the feature distribution by optimizing an underlying function mapping image coordinates to the feature distribution. Using NeRD, we propose an end-to-end deep learning model for medical image segmentation that can compensate the negative impact of feature distribution shifting issue caused by commonly used network operations such as padding and pooling. An implicit function is used to represent the parameter space of the feature distribution by querying the image coordinate. With NeRD, the impact of issues such as over-segmenting and missing have been reduced, and experimental results on the challenging white matter lesion segmentation and left atrial segmentation verify the effectiveness of the proposed method. The code is available via https://github.com/tinymilky/NeRD.

研究の動機と目的

• U-Netが画像境界付近や脳室付近の病変を正しくセグメンテーションできない理由（特徴分布のずれ）を解消すること。
• 畳み込みニューラルネットワーク（CNN）における空間不変性を損なう一般的な操作（パディングやプーリング）が及える悪影響を是正すること。
• 空間座標に基づいて特徴分布を推定する統一的でエンドツーエンドの深層学習フレームワークを構築すること。
• 構造的変更を最小限に抑えつつ、挑戦的な医用画像認識タスクにおけるセグメンテーション性能を向上させること。

提案手法

• NeRDは、各空間的位置における特徴分布を、画像座標を分布パラメータに写像する暗黙関数によってモデル化する。
• 分布パラメータθを空間座標vの関数f(v)として定式化し、空間不変性を回復する。
• 2つのバリエーションを提案：NeRDmは特徴分布の平均と分散を推定し、NeRDcは画素単位の線形分類器を予測する。
• バックボーンを変更せずにU-Netに類似したアーキテクチャに統合可能で、エンドツーエンド学習が可能である。
• 暗黙関数はニューラルネットワーク回帰により最適化され、ネットワーク操作によって生じる分布のずれを補正する学習が可能である。
• 空間的文脈および分布のずれを暗黙的に捉えることで、境界領域および中心領域におけるロバスト性が向上する。

実験結果

リサーチクエスチョン

• RQ1 学習可能な特徴分布表現は、特に画像境界付近や脳室付近において、医用画像のセグメンテーション精度を向上させることができるか？
• RQ2 NeRDは、CNNにおけるパディングおよびプーリングが特徴分布に与える悪影響をどの程度軽減できるか？
• RQ3 NeRDは、より小さなネットワークが、より大きなネットワークの性能を再現または上回ることを可能にするか？
• RQ4 NeRDは、過剰セグメンテーションおよび病変の漏れを処理する既存手法と比較して、どのように優れているか？

主な発見

• 低容量バックボーン（256フィルタ）を搭載したNeRDcは、白質病変セグメンテーションで512フィルタを搭載した高容量U-Netと同等のDiceスコア（0.885）を達成した。
• 低容量設定下で、NeRDcは標準U-Netと比較して、偽陽性率（LFPR）を3%低減し、Diceスコアを2.8%向上させた。
• 左房セグメンテーションにおいて、256フィルタのバックボーンを搭載したNeRDcは、512フィルタのU-Netを上回り、ハウスドルフ距離（HD）を3.7 mm低減し、Diceスコアを0.4%向上させた。
• NeRDmは、LAセグメンテーションタスクにおいて、U-Netと比較してHDを4.5 mm低減し、分散も小さく抑え、より高いロバスト性を示した。
• 両方のNeRDバリエーションとも、画像中央部の過剰セグメンテーションと脳室付近の病変の漏れを、定性的な比較で有意に軽減した。
• WMHおよびLAセグメンテーションタスクの両方で、SOTA（最先端）の性能を達成し、メトリクスおよびネットワーク容量のすべての設定で一貫した改善が見られた。