[論文レビュー] Neural Network-Based Automatic Liver Tumor Segmentation With Random Forest-Based Candidate Filtering
完全自動の肝臓腫瘍分割法で、肝臓と腫瘍マスクを cascaded CNNs、続いて腫瘍候補をランダムフォレストでフィルタリングし、特異性を向上。
We present a fully automatic method employing convolutional neural networks based on the 2D U-net architecture and random forest classifier to solve the automatic liver lesion segmentation problem of the ISBI 2017 Liver Tumor Segmentation Challenge (LiTS). In order to constrain the ROI in which the tumors could be located, a liver segmentation is performed first. For the organ segmentation, an ensemble of convolutional networks is trained to segment a liver using a set of 179 liver CT datasets from liver surgery planning. Inside of the liver ROI a neural network, trained using 127 challenge training datasets, identifies tumor candidates, which are subsequently filtered with a random forest classifier yielding the final tumor segmentation. The evaluation on the 70 challenge test cases resulted in a mean Dice coefficient of 0.65, ranking our method in the second place.
研究の動機と目的
- ユーザーの介入を減らすための自動肝臓病変分割の動機付け。
- 頑健な肝分割を通じて肝 ROI に腫瘍探索を制限する。
- CNN を用いて腫瘍候補を識別し、ランダムフォレストで偽陽性をフィルタリングする。
- LiTS チャレンジで競争力のある成績を達成し、処理時間を分析する。
- 3D アーキテクチャとマルチラベル手法の限界と潜在的な方向性について論じる。
提案手法
- 初期の肝分割のために、3 つの直交する2D U-net（軸位、矢状、冠状）をアンサンブルする。
- 3D U-net が3つの2D出力を細調整・融合して最終的な肝マスクを作成する。
- 肝ボクセル上で訓練された2D U-net が肝 ROI 内の腫瘍候補を識別する。
- ランダムフォレスト分類器が、生データと精巧化マスクからの46特徴量を用いて腫瘍候補をフィルタリングする。
- ポスト処理は3D連結成分の抽出と肝分割によるマスキングを含む。
実験結果
リサーチクエスチョン
- RQ1連鎖的CNNはCTボリュームにおける肝臓および腫瘍領域を信頼性高く分割し、完全自動のLiTS提出を実現できるか？
- RQ2ランダムフォレストベースの候補フィルタリングは、腫瘍分割の感度を犠牲にすることなく特異性を向上させるか？
- RQ3提案パイプラインのLiTSデータにおける実用的な実行時間と制限は何か？
主な発見
- 70 件の LiTS テストケースでの平均 Dice 係数: 0.65 (2 位)。
- 1体積あたりの総処理時間: 約195秒（肝分割約65 s、腫瘍分割約49 s、後処理約81 s）。
- ランダムフォレストによる腫瘍候補分類精度: 90%。
- 境界腫瘍や肝マスクの不正確さにより腫瘍分割が時に困難となり、最終腫瘍マスクに影響を与える。
- 肝マスクに制約されたトレーニングは訓練時間を短縮するが、肝領域外で偽陽性を誘発する可能性がある。
- 境界パッチサンプリングは特異性の代償として感度を向上させる。
より良い研究を、今すぐ始めましょう
論文設計から論文執筆まで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。