[論文レビュー] Probability Map Guided Bi-directional Recurrent UNet for Pancreas Segmentation.

Jun Li, Xiaozhu Lin+3 more|arXiv (Cornell University)|Mar 3, 2019

Advanced Neural Network Applications被引用数 19

ひとこと要約

本稿では、パネクレアスのセグメンテーションのための確率的マップ誘導型双方向再帰的U-Net（PBR-UNet）を提案する。この手法は、スライス内特徴量とスライス間の確率的マップを統合することで、2.5次元ハイブリッド正則化スキームを構築し、計算コストを低減しつつ効率的な3次元コンテキストモデリングを可能にする。NIH Pancreas-CTデータセットにおいて、空間的コンテキストの効率的活用を図るための双方向再帰最適化を活用することで、最先端の性能を達成する。

ABSTRACT

Pancreas segmentation in medical imaging data is of great significance for clinical pancreas diagnostics and treatment. However, the large population variations in the pancreas shape and volume cause enormous segmentation difficulties, even for state-of-the-art algorithms utilizing fully-convolutional neural networks (FCNs). Specifically, pancreas segmentation suffers from the loss of spatial information in 2D methods, and the high computational cost of 3D methods. To alleviate these problems, we propose a probabilistic-map-guided bi-directional recurrent UNet (PBR-UNet) architecture, which fuses intra-slice information and inter-slice probabilistic maps into a local 3D hybrid regularization scheme, which is followed by bi-directional recurrent network optimization. The PBR-UNet method consists of an initial estimation module for efficiently extracting pixel-level probabilistic maps and a primary segmentation module for propagating hybrid information through a 2.5D U-Net architecture. Specifically, local 3D information is inferred by combining an input image with the probabilistic maps of the adjacent slices into multichannel hybrid data, and then hierarchically aggregating the hybrid information of the entire segmentation network. Besides, a bi-directional recurrent optimization mechanism is developed to update the hybrid information in both the forward and the backward directions. This allows the proposed network to make full and optimal use of the local context information. Quantitative and qualitative evaluation was performed on the NIH Pancreas-CT dataset, and our proposed PBR-UNet method achieved better segmentation results with less computational cost compared to other state-of-the-art methods.

研究の動機と目的

• 個々の被験者における膵臓の形状や体積の高い可変性が、医用画像における正確なセグメンテーションを困難にしているという課題に対処すること。
• 2次元セグメンテーション手法における空間的コンテキストの損失と、3次元手法の高い計算コストという課題を克服すること。
• 確率的マップと再帰的モデリングを用いて、3次元コンテキスト情報を効率的に捉えることができる、軽量かつ効果的なアーキテクチャを開発すること。
• U-Netフレームワーク内でのハイブリッド2.5次元表現を用いたマルチスライス情報の統合により、セグメンテーション精度を向上させること。

提案手法

• 初期推定モジュールを導入し、各スライスに対して画素レベルの確率的マップを生成することで、膵臓存在の可能性を捉える。
• 主なセグメンテーションモジュールとして、2.5次元U-Netアーキテクチャを用い、入力スライスと隣接する確率的マップを統合してマルチチャネルハイブリッドデータを生成し、強化された3次元特徴学習を実現する。
• 現在のスライスと隣接スライスの確率的マップを融合することで、局所的な3次元情報を推定し、空間的コンテキストの階層的集約を可能にする。
• 双方向再帰ネットワークを用いて、前向きおよび後向きの両方向でハイブリッド特徴量を最適化し、特徴量の精錬とコンテキスト伝搬を向上させる。
• ハイブリッド正則化スキームにより、スライス内特徴量とスライス間の確率的マップを統合し、空間的連続性を保持するとともにノイズを低減する。
• 標準的なセグメンテーション損失を用いてエンドツーエンドで学習し、最適化はコンテキストに配慮した特徴量精錬に焦点を当てる。

実験結果

リサーチクエスチョン

• RQ1 2.5次元ハイブリッド表現は、計算コストを低減しつつ、パネクレアスセグメンテーションにおける3次元空間的コンテキストを効果的にモデリングできるか？
• RQ2 標準的なU-Net変種と比較して、双方向再帰最適化を組み込むことで、特徴表現とセグメンテーション精度が向上するか？
• RQ3 隣接スライスからの確率的マップを組み込むことで、完全な3次元畳み込みを必要とせずに、局所的な3次元特徴学習が向上するか？
• RQ4 提案されたPBR-UNetは、2次元および3次元の最先端手法と比較して、セグメンテーション精度と推論効率の両面で優れているか？

主な発見

• PBR-UNetは、最先端の手法と比較して、NIH Pancreas-CTデータセットにおいて優れたセグメンテーション性能を達成した。
• 3次元U-Netや2次元FCNベースの手法と比較して、計算コストを低減しつつ、セグメンテーション精度を維持または向上させた。
• 隣接スライスからの確率的マップの統合により、2.5次元フレームワーク内での局所的3次元コンテキストモデリングが顕著に向上した。
• 双方向再帰最適化機構により、特徴量の精錬が向上し、より一貫性があり正確な境界予測が実現された。
• 提案されたアーキテクチャは、最小限の推論オーバーヘッドで高いDiceスコアを達成し、優れた効率-精度トレードオフを示した。