[論文レビュー] Pyramid Network with Online Hard Example Mining for Accurate Left Atrium Segmentation

Cheng Bian, Xin Yang+6 more|arXiv (Cornell University)|Dec 14, 2018

Cardiac Valve Diseases and Treatments参考文献 15被引用数 6

ひとこと要約

本稿では、ガドリニウム増強MRボリュームにおける正確な左房および肺静脈分離を実現するため、オンラインハード例マイニング（OHNEM）および競争的トレーニングを組み合わせた2次元ピラミッドネットワークを提案する。マルチスケール特徴量の統合と、分類が難しい境界ボクセルに注目することで、20個のテストボリュームで平均Diceスコア92.83％を達成し、既存の2次元および3次元手法を上回る性能を発揮した。

ABSTRACT

Accurately segmenting left atrium in MR volume can benefit the ablation procedure of atrial fibrillation. Traditional automated solutions often fail in relieving experts from the labor-intensive manual labeling. In this paper, we propose a deep neural network based solution for automated left atrium segmentation in gadolinium-enhanced MR volumes with promising performance. We firstly argue that, for this volumetric segmentation task, networks in 2D fashion can present great superiorities in time efficiency and segmentation accuracy than networks with 3D fashion. Considering the highly varying shape of atrium and the branchy structure of associated pulmonary veins, we propose to adopt a pyramid module to collect semantic cues in feature maps from multiple scales for fine-grained segmentation. Also, to promote our network in classifying the hard examples, we propose an Online Hard Negative Example Mining strategy to identify voxels in slices with low classification certainties and penalize the wrong predictions on them. Finally, we devise a competitive training scheme to further boost the generalization ability of networks. Extensively verified on 20 testing volumes, our proposed framework achieves an average Dice of 92.83% in segmenting the left atria and pulmonary veins.

研究の動機と目的

• 低コントラストで高変動性を示すGE-MRボリュームにおける正確な左房および肺静脈分離の課題に対処すること。
• このボリュームタスクにおいて、3次元ネットワークよりも2次元ネットワークを優先することで、分離精度と効率を向上させること。
• マルチスケール特徴量学習により、形状の変動性と強度の曖昧さが生じる状況下での境界局在を向上させること。
• トレーニング中にハードネガティブ例に選択的に注目することで、モデルの汎化能力を向上させること。
• 学習ダイナミクスを強化する競争的トレーニング方式を用いて性能を向上させること。

提案手法

• 3次元MRボリュームの軸方向スライスを対象として処理する、残差ブロックを備えた2次元U-Netに類似したバックボーンと階層的特徴量学習を採用する。
• ピラミッドプーリングモジュールが複数スケールからの意味的ヒントを集約し、文脈モデリングと細粒度分離を向上させる。
• オンラインハードネガティブ例マイニング（OHNEM）は、スライス内の低信頼度ボクセルを動的に同定し、誤分類に対してペナルティを課すことで境界学習を改善する。
• 競争的トレーニング方式（CTS）は、複数のモデルが競争的にトレーニングすることで、汎化能力とロバストネスを向上させる。
• データオーグメンテーションを併用したAdam最適化アルゴリズムでネットワークをトレーニングし、後処理で小さな孤立成分を除去する。
• 最終モデルは、20ボリュームのテストセットに対してDice、Jaccard、適合性、境界距離の指標を用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 GE-MRボリュームにおける左房分離において、2次元畳み込みネットワークが3次元ネットワークを速度および精度の両面で上回れるか？
• RQ2 マルチスケールコンテキスト集約は、肺静脈のような複雑で分岐が多い構造の分離をどのように向上させるか？
• RQ3 オンラインハード例マイニングは、曖昧な境界ボクセルの学習をどの程度改善するか？
• RQ4 標準的なトレーニングを超えて、競争的トレーニング方式がモデルの汎化能力をさらに向上させられるか？
• RQ5 提案フレームワークは、多様な解剖的変異および画像条件下でもどの程度の性能を示すか？

主な発見

• 提案フレームワークは20テストボリュームで平均Diceスコア92.83％を達成し、ベースラインの2次元および3次元ネットワークを顕著に上回った。
• オンラインハードネガティブ例マイニング（OHNEM）の導入により、ベースラインのPSPNetDモデル比でDiceスコアが約0.6ポイント向上した。
• 競争的トレーニング方式（CTS3）により、OHNEMを適用したモデル比でさらに0.16ポイントのスコア向上が達成された。
• 解剖的変動性に強く、左房および肺静脈表面の大部分で2mm未満のハウスドルフ距離を示した。
• 2次元アーキテクチャは3次元対応モデルと比較して約4倍速く、優れた精度を維持した。
• アブレーションスタディにより、ピラミッドプーリングとOHNEMが境界の曖昧さと形状変動に対処する上で重要な要素であることが確認された。