[論文レビュー] SCAN: Structure Correcting Adversarial Network for Organ Segmentation in Chest X-rays

Wei Dai, Joseph Doyle+5 more|arXiv (Cornell University)|Mar 26, 2017

COVID-19 diagnosis using AI参考文献 26被引用数 28

ひとこと要約

本稿では、生理的構造的事前知識を強制するためのクリティックネットワークを用いることで、限定的な学習データでも肺および心臓のセグメンテーションを著しく向上させる、構造補正型 adversarial ネットワーク（SCAN）を提案する。この手法は、人間レベルの性能を達成し、多様な患者集団や画像条件においても良好に一般化する。

ABSTRACT

Chest X-ray (CXR) is one of the most commonly prescribed medical imaging procedures, often with over 2-10x more scans than other imaging modalities such as MRI, CT scan, and PET scans. These voluminous CXR scans place significant workloads on radiologists and medical practitioners. Organ segmentation is a crucial step to obtain effective computer-aided detection on CXR. In this work, we propose Structure Correcting Adversarial Network (SCAN) to segment lung fields and the heart in CXR images. SCAN incorporates a critic network to impose on the convolutional segmentation network the structural regularities emerging from human physiology. During training, the critic network learns to discriminate between the ground truth organ annotations from the masks synthesized by the segmentation network. Through this adversarial process the critic network learns the higher order structures and guides the segmentation model to achieve realistic segmentation outcomes. Extensive experiments show that our method produces highly accurate and natural segmentation. Using only very limited training data available, our model reaches human-level performance without relying on any existing trained model or dataset. Our method also generalizes well to CXR images from a different patient population and disease profiles, surpassing the current state-of-the-art.

研究の動機と目的

• 限られたアノテート済みデータを伴う低リソースで多様性の高い胸郭レントゲン（CXR）画像において、正確な臓器セグメンテーションを達成する挑戦に取り組む。
• 解剖学的隣接関係や輪郭の特徴点といった、暗黙の生理的構造的知識を、深層学習モデルに組み込み、セグメンテーションの現実性を向上させる。
• 事前学習モデルや外部データセットに依存せずに、多様な患者集団、疾患プロファイル、画像品質の下でも一般化可能な手法を開発する。
• 最小限のアノテート済み学習データのみを用いて、人間レベルのセグメンテーション性能を達成する。

提案手法

• SCANは、構造的リアリズムを強制するために、クリティックネットワークとエンドツーエンドで訓練される完全畳み込みネットワーク（FCN）をセグメンテーションヘッドとして採用する。
• クリティックネットワークは、真の臓器マスクとセグメンテーションネットワークが生成したマスクを区別し、生理的制約から高次の構造的正則性を学習する。
• adversarial テーニングを通じて、クリティックはセグメンテーションネットワークが、肋隔角や血管境界など曖昧な領域でもより解剖学的に妥当な輪郭を生成するよう導く。
• 本フレームワークは、外部の事前学習モデルやドメイン特化データを必要とせず、新しいデータセットへのゼロショット一般化を可能にする。
• テスト時の推論は効率的であり、クリティックはデプロイ時には不要で、セグメンテーションネットワークへの前方伝搬のみで実行可能である。
• 本手法は、コントラスト、病理、画像取得プロトコルが顕著に異なるJSRTおよびMontgomery CXRデータセットで訓練および評価された。

実験結果

リサーチクエスチョン

• RQ1 構造に注意を払ったクリティックを用いた adversarial テーニングは、標準的なFCNベースラインを上回って、胸郭レントゲン画像における肺および心臓のセマンティックセグメンテーションを改善できるか？
• RQ2 小規模なデータセットで学習したモデルが、事前学習やドメイン適応なしに、どの程度人間レベルの性能に達するか？
• RQ3 本手法は、異なる患者集団や画像条件のCXR画像にどの程度一般化できるか？
• RQ4 クリティックネットワークは、解剖学的隣接関係や輪郭特徴点といった生理的構造的事前知識を効果的に学習し、強制できるか？
• RQ5 提案手法は、従来の登録ベースのアプローチよりも高速な推論を達成できるか？

主な発見

• JSRT評価セットでは、IoUが91.4% ± 0.6%を達成し、登録ベースの従来の最先端手法（90.3% ± 0.5%）を上回った。
• より挑戦的であるMontgomeryデータセット（病理負荷が高く、画像のばらつきが大きい）では、SCANは93.0% ± 1.4%のIoUを達成し、FCNベースライン（87.1% ± 0.8%）を顕著に上回った。
• JSRTおよびMontgomeryの開発セットを統合して学習した場合、JSRTでは95.1% ± 0.43%、Montgomeryでは93.0% ± 1.4%のIoUを達成し、優れた一般化性能を示した。
• SCANは、胸膜効果や肺過過張の診断に不可欠な重要な解剖学的特徴点（肋隔角など）において、より現実的で鋭い輪郭を生成した。
• テスト時の推論時間は、1枚の400×400画像あたり0.84秒であり、登録ベースの最先端手法が要する26秒よりも顕著に高速であった。
• ハイパーパramータのチューニングなしに、コントラスト、病理、画像品質の変動に対して、本手法は良好に一般化し、堅牢性を示した。