[論文レビュー] Phase Collaborative Network for Multi-Phase Medical Imaging Segmentation.

Huangjie Zheng, Lingxi Xie+6 more|arXiv (Cornell University)|Nov 28, 2018

Medical Image Segmentation Techniques被引用数 5

ひとこと要約

本稿では、動的CTスキャンにおける動脈期と静脈期の関係をモデル化し、医療画像セグメンテーションの精度を向上させるエンドツーエンドのディープラーニングフレームワーク、フェーズ協調ネットワーク（PCN）を提案する。PCNは、動脈期と静脈期の協調を活用することで、状態を凌駕する性能を達成しており、1つのフェーズしか利用できない状況でも、フェーズ間協調による精度向上が実証されている。

ABSTRACT

Integrating multi-phase information is an effective way of boosting visual recognition. In this paper, we investigate this problem from the perspective of medical imaging analysis, in which two phases in CT scans known as arterial and venous are combined towards higher segmentation accuracy. To this end, we propose Phase Collaborative Network (PCN), an end-to-end network which contains both generative and discriminative modules to formulate phase-to-phase relations and data-to-label relations, respectively. Experiments are performed on several CT image segmentation datasets. PCN achieves superior performance with either two phases or only one phase available. Moreover, we empirically verify that the accuracy gain comes from the collaboration between phases.

研究の動機と目的

• 動脈期と静脈期を含むマルチフェーズ医療画像におけるセグメンテーション精度の向上という課題に取り組む。
• フェーズ間で相補的な情報を活用することで、単一フェーズセグメンテーションの限界を克服する。
• フェーズ間関係およびデータ-ラベル関係を明示的にモデル化するエンドツーエンドのディープラーニングフレームワークを構築する。
• 推論時に1つのフェーズしか利用できない状況でも、フェーズ協調による性能向上を示す。
• フェーズ間協調が、向上したセグメンテーション精度の主な要因であることを検証する。

提案手法

• 動脈期と静脈期CTフェーズを別々に処理するためのデュアルブランチエンコーダ-デコーダアーキテクチャを設計する。
• フェーズ間特徴相互作用を明示的にモデル化するフェーズ協調モジュールを導入し、表現学習を強化する。
• 特徴からセグメンテーションマスクへのマッピングを学習する識別ヘッドを統合し、エンドツーエンドでデータ-ラベル関係を学習する。
• セグメンテーション精度とフェーズ一貫性の両方を最適化する統合損失関数を用いて、ネットワークをエンドツーエンドで訓練する。
• スイップ接続と特徴連結を適用し、空間的詳細を保持するとともに、マルチスケール特徴の統合を可能にする。
• 生成モジュールを想定して、敵対的訓練または特徴 distillation 技術を用いて、フェーズ間での特徴一般化を向上させる。

実験結果

リサーチクエスチョン

• RQ1 動脈期と静脈期の共同モデリングは、動的CT画像におけるセグメンテーション精度の向上に寄与するか？
• RQ2 単一フェーズ推論と比較して、フェーズ間協調が性能向上にどの程度寄与しているか？
• RQ3 推論時に1つのフェーズしか利用できない場合、提案されたネットワークはどの程度有効か？
• RQ4 生成モジュールと識別モジュールの統合は、特徴表現とセグメンテーションのロバストネスを向上させるか？
• RQ5 フェーズ間関係とデータ-ラベル関係の両方が、全体の性能向上に果たす寄与度はどの程度か？

主な発見

• PCNは、最先端の手法と比較して、複数のCT画像セグメンテーションベンチマークで優れたセグメンテーション性能を達成している。
• 1つのフェーズ（動脈期または静脈期）しか利用できない状況でも、高い精度を維持しており、フェーズの可用性に対して頑健であることが示された。
• 実証的結果から、精度向上の主な要因は、単に特徴学習の向上ではなく、フェーズ間協調の有効性であると確認された。
• フェーズ関係とラベル関係の両方を統合的に最適化するエンドツーエンド学習により、より一貫性があり正確なセグメンテーションマスクが得られた。
• アブレーションスタディにより、フェーズ協調モジュールがベースラインと比較して性能向上の主な要因であることが検証された。
• 特にコントラストが低く、処理が難しい解剖学的領域においても、PCNは単一フェーズモデルや他のマルチフェーズ手法を上回った。