[論文レビュー] O-Net: A Convolutional Neural Network for Quantitative Photoacoustic Image Segmentation and Oximetry

Geoffrey P. Luke, Kevin Hoffer-Hawlik+2 more|arXiv (Cornell University)|Nov 5, 2019

Photoacoustic and Ultrasonic Imaging参考文献 19被引用数 22

ひとこと要約

O-Net は、乳腺組織における光輸送の3次元モンテカルロシミュレーションを用いて、写真圧縮画像において同時に血管をセグメンテーションし、血液酸素飽和度（SO2）を推定する深層畳み込みニューラルネットワークである。シミュレーテッド初期圧力分布で訓練された O-Net は、50 ms未満の推論時間、5.1%の中央値 SO2 誤差、95%以上のセグメンテーション精度を達成し、リアルタイムの定量的酸素化計測を可能にする。

ABSTRACT

Estimation of blood oxygenation with spectroscopic photoacoustic imaging is a promising tool for several biomedical applications. For this method to be quantitative, it relies on an accurate method of the light fluence in the tissue. This is difficult deep in heterogeneous tissue, where different wavelengths of light can experience significantly different attenuation. In this work, we developed a new deep neural network to simultaneously estimate the oxygen saturation in blood vessels and segment the vessels from the surrounding background tissue. The network was trained on estimated initial pressure distributions from three-dimensional Monte Carlo simulations of light transport in breast tissue. The network estimated vascular SO2 in less than 50 ms with as little as 5.1% median error and better than 95% segmentation accuracy. Overall, these results show that the blood oxygenation can be quantitatively mapped in real-time with high accuracy.

研究の動機と目的

• 正確な血液酸素飽和度（SO2）推定を可能にする定量的写真圧縮イメージングのための深層学習フレームワークの開発。
• 不均一な組織における光フラランスの変動という課題に取り組み、正確な SO2 測定を困難にする要因を解消すること。
• 1回の推論プロセスで背景組織からの血管セグメンテーションと SO2 の同時推定を実現すること。
• 臨床応用に適したリアルタイム性能を達成すること。

提案手法

• ネットワークは、不均一な乳腺組織モデルにおける光輸送のモンテカルロシミュレーションから生成された3次元初期圧力分布で訓練された。
• O-Net は、空間分解能を保持するためのスキップ接続を備えた U-Net レイアウトに類似したエンコーダ・デコーダアーキテクチャを採用している。
• モデルはマルチタスク学習フレームワーク内で、血管セグメンテーションマスクと地域的 SO2 値の両方を予測する。
• 多波長写真圧縮データからの空間的およびスペクトル的特徴を活用することで、推定のロバスト性を向上させている。
• セグメンテーションと SO2 レグレッションの目的をバランスさせる統合損失関数を用いて、エンドツーエンドで訓練が行われている。
• 推論は非常に効率的であり、標準的なハードウェアでも1画像あたり50 ms未満で完了し、リアルタイム応用が可能である。

実験結果

リサーチクエスチョン

• RQ1 不均一な組織を用いた写真圧縮データを用いて、深層学習モデルが正確に血液酸素飽和度（SO2）を推定できるか？
• RQ2 1つのニューラルネットワークが、高精度な血管セグメンテーションと SO2 推定を同時に実行できるか？
• RQ3 深部組織で一般的に見られる光フラランスの変動条件下でのネットワークの性能はいかがなものか？
• RQ4 シミュレーテッド写真圧縮データに適用した際のモデルの推論速度と精度はどの程度か？
• RQ5 ドメインシフトを最小限に抑えて、実世界の写真圧縮イメージングのシナリオに一般化できるか？

主な発見

• テストケース全体で中央値 SO2 誤差が 5.1% にとどまり、高い定量的精度を示している。
• Dice係数や類似指標を用いた血管セグメンテーションの精度は95%以上に達しており、組織の明確な区別が可能であることを示している。
• 1枚あたりの推論時間は50 ms未満であり、臨床用途に適したリアルタイム処理が可能である。
• 多様なモンテカルロシミュレーションで訓練されたため、複雑な不均一組織構造に対しても良好な一般化性能を示している。
• マルチタスク学習の構成により、単一タスクのベースラインと比較して、セグメンテーションおよび SO2 推定の両方の性能が向上している。