[論文レビュー] SAR-U-Net: squeeze-and-excitation block and atrous spatial pyramid pooling based residual U-Net for automatic liver CT segmentation.

Jinke Wang, Peiqing Lv+2 more|arXiv (Cornell University)|Mar 11, 2021

Radiomics and Machine Learning in Medical Imaging被引用数 3

ひとこと要約

本稿では、注目メカニズムに基づく特徴再キャリブレーションのためのスイーブ・アンド・エクスカーション（SE）ブロック、マルチスケールの文脈的特徴集約のためのアトラス・スパティアル・ピラミッド・プーリング（ASPP）、および深層学習を可能にするリーマンス学習を組み込んだ2次元U-Netの変種、SAR-U-Netを提案する。このモデルは、LiTS17およびSLiver07データセットで最先端の性能を達成し、それぞれ95.71%および97.31%のDiceスコアを記録した。これは、挑戦的な肝臓CTセグメンテーションの状況において優れた正確性と頑健性を示している。

ABSTRACT

Background and objective: In this paper, a modified U-Net based framework is presented, which leverages techniques from Squeeze-and-Excitation (SE) block, Atrous Spatial Pyramid Pooling (ASPP) and residual learning for accurate and robust liver CT segmentation, and the effectiveness of the proposed method was tested on two public datasets LiTS17 and SLiver07. Methods: A new network architecture called SAR-U-Net was designed. Firstly, the SE block is introduced to adaptively extract image features after each convolution in the U-Net encoder, while suppressing irrelevant regions, and highlighting features of specific segmentation task; Secondly, ASPP was employed to replace the transition layer and the output layer, and acquire multi-scale image information via different receptive fields. Thirdly, to alleviate the degradation problem, the traditional convolution block was replaced with the residual block and thus prompt the network to gain accuracy from considerably increased depth. Results: In the LiTS17 experiment, the mean values of Dice, VOE, RVD, ASD and MSD were 95.71, 9.52, -0.84, 1.54 and 29.14, respectively. Compared with other closely related 2D-based models, the proposed method achieved the highest accuracy. In the experiment of the SLiver07, the mean values of Dice, VOE, RVD, ASD and MSD were 97.31, 5.37, -1.08, 1.85 and 27.45, respectively. Compared with other closely related models, the proposed method achieved the highest segmentation accuracy except for the RVD. Conclusion: The proposed model enables a great improvement on the accuracy compared to 2D-based models, and its robustness in circumvent challenging problems, such as small liver regions, discontinuous liver regions, and fuzzy liver boundaries, is also well demonstrated and validated.

研究の動機と目的

• 小規模で不連続的、または明確に定義されていない肝臓領域が存在する状況においても、CTスキャンにおける自動肝臓セグメンテーションの正確性と頑健性を向上させること。
• 標準的なU-Netがマルチスケールの文脈的特徴を捉えることや、関係のない特徴を抑圧することに課題を抱えることへの対処。
• 非常に深いアーキテクチャで一般的に見られる劣化問題を軽減することで、深層ネットワークの学習を強化すること。
• 公開ベンチマークデータセットであるLiTS17およびSLiver07上での提案アーキテクチャの有効性を検証すること。

提案手法

• U-Netエンコーダーの各畳み込み層の後にスイーブ・アンド・エクスカーション（SE）ブロックを統合し、タスクに関連するチャンネルを強調することで、特徴マップを適応的に再キャリブレーションする。
• 標準的なトランジションおよび出力層をアトラス・スパティアル・ピラミッド・プーリング（ASPP）に置き換えることで、異なる率の並列ドイルート畳み込みを用いてマルチスケールの文脈的情報を捉える。
• 標準的な畳み込みブロックをリーマンスブロックに置き換えることで、より深いネットワークアーキテクチャを実現し、学習中の勾配消失問題を軽減する。
• SE、ASPP、リーマンス学習の3つの要素を統合し、エンドツーエンドの肝臓セグメンテーションを目的とした統一されたU-Netベースのアーキテクチャ、SAR-U-Netを構築する。
• 2つの公開肝臓CTデータセット上で、標準的な教師あり学習を用い、交差エントロピー損失およびDice損失を用いてネットワークを訓練する。

実験結果

リサーチクエスチョン

• RQ1 SEブロックの統合により、関連するチャンネルに注目することで、肝臓CTセグメンテーションにおける特徴表現が向上するか？
• RQ2 ASPPにより、肝臓CT画像におけるマルチスケールの文脈的特徴を捉えることで、セグメンテーション性能が向上するか？
• RQ3 リーマンス学習により、劣化を伴わずにより深く、より正確なU-Netアーキテクチャを構築できるか？
• RQ4 SAR-U-Netは、挑戦的な肝臓CT症例において、既存の2次元ベースのモデルと比較して、セグメンテーションの正確性と頑健性に優れているか？

主な発見

• LiTS17データセットでは、SAR-U-Netが平均95.71%のDiceスコアを達成し、他の2次元ベースのモデルよりも高いセグメンテーション正確性を示した。
• LiTS17では、平均VOEが9.52%、RVDが-0.84%、ASDが1.54 mm、MSDが29.14 mmを記録し、高い重複度と低い表面距離誤差を示した。
• SLiver07データセットでは、SAR-U-Netが同等のモデルの中でも最高のDiceスコア97.31%を達成し、VOEが5.37%、RVDが-1.08%、ASDが1.85 mm、MSDが27.45 mmであった。
• 本モデルは、小規模な肝臓領域、不連続な肝臓構造、曖昧な境界など、挑戦的なケースに対しても強い頑健性を示した。
• SE、ASPP、リーマンス学習の組み合わせは、標準的なU-Netや関連アーキテクチャと比較して、顕著にセグメンテーション性能を向上させた。