[論文レビュー] No New-Net

Fabian Isensee, Philipp Kickingereder+3 more|arXiv (Cornell University)|Sep 27, 2018

AI in cancer detection参考文献 20被引用数 43

ひとこと要約

この論文は、BraTS 2018 チャレンジにおいて、最小限のアーキテクチャ的変更を加えた well-trained U-Net が、複雑なアーキテクチャを上回ることを示している。大パッチでのトレーニング、Dice 損失、領域ベースのトレーニング、データ増強、損失関数の組み合わせといったトレーニング最適化により、最先端の性能が達成され、強化腫瘍で 77.88、全腫瘍で 87.81、腫瘍コアで 80.62 の Dice スコアで第2位となった。

ABSTRACT

In this paper we demonstrate the effectiveness of a well trained U-Net in the context of the BraTS 2018 challenge. This endeavour is particularly interesting given that researchers are currently besting each other with architectural modifications that are intended to improve the segmentation performance. We instead focus on the training process arguing that a well trained U-Net is hard to beat. Our baseline U-Net, which has only minor modifications and is trained with a large patch size and a Dice loss function indeed achieved competitive Dice scores on the BraTS2018 validation data. By incorporating additional measures such as region based training, additional training data, a simple postprocessing technique and a combination of loss functions, we obtain Dice scores of 77.88, 87.81 and 80.62, and Hausdorff Distances (95th percentile) of 2.90, 6.03 and 5.08 for the enhancing tumor, whole tumor and tumor core, respectively on the test data. This setup achieved rank two in BraTS2018, with more than 60 teams participating in the challenge.

研究の動機と目的

• トレーニング最適化が医療画像セグメンテーションにおいてアーキテクチャの革新を上回る可能性があるかどうかを調査すること。
• BraTS 2018 チャレンジにおける U-Net の性能に与えるトレーニング戦略の影響を評価すること。
• U-Net に最小限のアーキテクチャ的変更を加え、高度なトレーニング技術を組み合わせることで、競争力のある結果を達成できるかどうかを特定すること。

提案手法

• 局所的特徴学習を向上させるために、大規模なパッチサイズで U-Net をトレーニングすること。
• 不均衡なデータにおけるセグメンテーション性能を最適化するために、Dice 損失関数を使用すること。
• 難易度の高い腫瘍領域に注目するために、領域ベースのトレーニングを適用すること。
• モデルの汎化性能を向上させるために、追加のトレーニングデータを統合すること。
• 異なるセグメンテーション目的をバランスさせるために、損失関数の組み合わせを採用すること。
• セグメンテーション出力を精緻化するために、単純な後処理技術を適用すること。

実験結果

リサーチクエスチョン

• RQ1 高度な技術でトレーニングされた標準的な U-Net は、最小限のアーキテクチャ的変更で医療画像セグメンテーションにおいてトップパフォーマンスを達成できるか？
• RQ2 大規模パッチでのトレーニングは、脳腫瘍 MRI セグメンテーションにおける U-Net のセグメンテーション精度にどのように影響するか？
• RQ3 損失関数の組み合わせと領域ベースのトレーニングは、BraTS 2018 データにおける U-Net の性能をどの程度向上させるか？
• RQ4 アーキテクチャの変更なしに、データ増強と後処理がセグメンテーション結果を顕著に向上させるか？
• RQ5 トレーニング最適化のみで、BraTS 2018 のような競争的チャレンジで最先端のパフォーマンスを達成できるか？

主な発見

• 本手法は、BraTS 2018 テストセットにおいて、強化腫瘍の Dice スコアが 77.88 を達成した。
• 本手法は、全腫瘍の Dice スコアが 87.81 で、チャレンジ全体で第2位となった。
• 本手法は、腫瘍コアの Dice スコアが 80.62 で、コア領域における強力な性能を示した。
• 強化腫瘍のハウスドルフ距離（95百分位数）は 2.90 であり、高い空間的正確性を示した。
• 全腫瘍のハウスドルフ距離は 6.03 であり、境界の局所化が堅牢であることを反映した。
• 本手法は、BraTS 2018 チャレンジで 60 以上の参加チームの中から第2位となり、競争力のあるパフォーマンスを確認した。