[論文レビュー] Real-time Prediction of Segmentation Quality

R. H. Robinson, Ozan Oktay+18 more|arXiv (Cornell University)|Jun 16, 2018

Advanced X-ray and CT Imaging参考文献 7被引用数 13

ひとこと要約

本論文では、Dice Similarity Coefficient (DSC) を指標として用い、心血管MRI画像のセグメンテーション品質をリアルタイムで予測する深層学習ベースの手法を提案している。正解ラベルを用いた場合の平均絶対誤差（MAE）は0.03、正解ラベルなしの場合のMAEは0.14であり、スキャン中にミリ秒スケールのフィードバックが可能となり、臨床的意思決定の前に品質が低いセグメンテーションを検出できる。

ABSTRACT

Recent advances in deep learning based image segmentation methods have enabled real-time performance with human-level accuracy. However, occasionally even the best method fails due to low image quality, artifacts or unexpected behaviour of black box algorithms. Being able to predict segmentation quality in the absence of ground truth is of paramount importance in clinical practice, but also in large-scale studies to avoid the inclusion of invalid data in subsequent analysis. In this work, we propose two approaches of real-time automated quality control for cardiovascular MR segmentations using deep learning. First, we train a neural network on 12,880 samples to predict Dice Similarity Coefficients (DSC) on a per-case basis. We report a mean average error (MAE) of 0.03 on 1,610 test samples and 97% binary classification accuracy for separating low and high quality segmentations. Secondly, in the scenario where no manually annotated data is available, we train a network to predict DSC scores from estimated quality obtained via a reverse testing strategy. We report an MAE=0.14 and 91% binary classification accuracy for this case. Predictions are obtained in real-time which, when combined with real-time segmentation methods, enables instant feedback on whether an acquired scan is analysable while the patient is still in the scanner. This further enables new applications of optimising image acquisition towards best possible analysis results.

研究の動機と目的

• 臨床現場における自動心臓MRIセグメンテーションのリアルタイム品質評価を可能にすること。
• 大規模な研究において必須となる手動ラベルに依存せずに、低品質なセグメンテーションを検出できること。
• 逆テスト法と比較して、品質評価に要する時間を数分から数ミリ秒に短縮すること。
• リアルタイムセグメンテーションパイプラインと互換性があり、スケーラブルかつ展開可能なフレームワークを開発すること。
• 移譲可能な品質指標を用いて、完全ラベル付きおよびデータが限られた状況の両方で性能を検証すること。

提案手法

• 12,880件のラベル付き症例を用いて、入力MRI画像から直接DSCスコアを予測する畳み込みニューラルネットワーク（CNN）を学習する。
• ゼロショット状況では、手動ラベルではなく逆テスト（RCA）から得られる品質スコアを用いてネットワークを学習し、手動アノテーションなしで利用可能となる。
• RCAベースのアプローチでは、100枚の参照画像（確認済みセグメンテーション付き）を用いて、DSCに類似した指標を学習に用いる。
• モデルは個々の症例ごとにDSCを予測し、二値分類によりDSC > 0.5（高品質）とDSC < 0.5（低品質）を区別する。
• CPU上では600ミリ秒未満、GPU上では40ミリ秒未満で推論が実行され、スキャンワークフローへのリアルタイム統合が可能となる。
• フレームワークは、UKバイオバンク画像研究から得た1,610件のテストケースを用いて評価され、構造ごとの分類と全心臓セグメンテーション解析が実施された。

実験結果

リサーチクエスチョン

• RQ1 正解ラベルが利用できない状況において、深層学習モデルが高精度でリアルタイムにセグメンテーション品質を予測できるか？
• RQ2 手動ラベルが存在する場合と存在しない場合とで、DSC予測ネットワークの性能にどのような差が生じるか？
• RQ3 逆テスト（RCA）スコアが、品質予測ネットワークの代替ラベルとしてどの程度有効に機能するか？
• RQ4 本手法は、臨床的に意味のある精度を維持しつつ、1秒未満の推論時間を達成できるか？
• RQ5 本モデルは、画像品質の変動やセグメンテーション境界の誤差に対してどの程度頑健か？

主な発見

• 正解ラベルで学習した場合、1,610件のテストケースで平均絶対誤差（MAE）が0.03に達し、高い回帰精度を示した。
• 正解ラベルありの状況では、DSC < 0.5（低品質）とDSC ≥ 0.5（高品質）を区別する二値分類の正答率が97%に達した。
• 正解ラベルなしの状況では、RCAから得たラベルを用いてMAEが0.14に達し、二値分類正答率は91%であった。
• 推論時間はGPUで40ミリ秒、CPUで600ミリ秒にまで短縮され、従来のRCA（660秒）と比較して10,000倍以上高速化された。
• 左心室腔（LV）および背景（BG）で最も低い誤差を示し、全心臓構造（LV、LVM、RVC、BG、WH）において優れた性能を発揮した。
• 本フレームワークにより、MRIスキャン中にリアルタイムフィードバックが可能となり、予測されたセグメンテーション品質が低い場合に即座に再スキャンを実施できる。