[論文レビュー] SCOPE: Structural Continuity Preservation for Medical Image Segmentation

Yousef Yeganeh, Azade Farshad+6 more|arXiv (Cornell University)|Apr 28, 2023

Retinal Imaging and AnalysisMedicine被引用数 3

ひとこと要約

本稿では、解剖学的トポロジーをグラフ制約としてモデル化することで、医療画像セグメンテーションにおける構造的連続性を強制する、グラフベースのディーブラーニング手法SCOPEを提案する。画像パッチをノードとして扱い、グラフ畳み込みニューラルネットワークとclDice損失を活用することで、接続性指標が著しく向上し、トポロジー誤りが最大90%削減された。一方で、網膜血管データセットにおいても最先端のピクセル単位のセグメンテーション性能を維持した。

ABSTRACT

Although the preservation of shape continuity and physiological anatomy is a natural assumption in the segmentation of medical images, it is often neglected by deep learning methods that mostly aim for the statistical modeling of input data as pixels rather than interconnected structures. In biological structures, however, organs are not separate entities; for example, in reality, a severed vessel is an indication of an underlying problem, but traditional segmentation models are not designed to strictly enforce the continuity of anatomy, potentially leading to inaccurate medical diagnoses. To address this issue, we propose a graph-based approach that enforces the continuity and connectivity of anatomical topology in medical images. Our method encodes the continuity of shapes as a graph constraint, ensuring that the network's predictions maintain this continuity. We evaluate our method on two public benchmarks on retinal vessel segmentation, showing significant improvements in connectivity metrics compared to traditional methods while getting better or on-par performance on segmentation metrics.

研究の動機と目的

• ディープラーニングモデルが医療画像セグメンテーションにおいて解剖学的連続性を保持するという限界を解消すること。
• 血管などの生物学的構造のトポロジカル構造をグラフ制約としてモデル化し、接続性を強制すること。
• ピクセル単位の精度に加え、特に管状構造においてトポロジカルな忠実度を向上させること。
• 既存のCNNアーキテクチャに依存せず、容易に統合可能な手法を開発すること。

提案手法

• 入力画像を重複のないn×nパッチに分割し、空間的トポロジーを符号化するためのグラフのノードとして扱う。
• 隣接パッチ間での特徴伝達を可能にするメッセージパッシングを通じて、グラフ畳み込みネットワーク（GCN）を用いて構造的連続性を強制する。
• バックボーンネットワーク（DRIU）を用いてパッチ埋め込みからノード特徴を生成し、スキップ接続によりグラフ特徴と空間特徴を統合する。
• 交差エントロピーとclDiceのハイブリッド損失関数を用いて、ピクセル単位の精度と接続性の両方を最適化する。
• グラフ構造は、隣接パッチ間の1レベルのエッジ接続を用い、局所的近傍の一貫性を確保する。
• アーキテクチャに依存しない手法であり、U-NetやDRIUのようなアテンションベースのネットワークとも容易に統合可能である。

実験結果

リサーチクエスチョン

• RQ1 アーキテクチャの事前知識に依存せずに、グラフベースのアプローチが医療画像セグメンテーションにおける解剖学的連続性を効果的に保持できるか。
• RQ2 グラフ畳み込みを用いてトポロジカル制約を強制することで、標準的なディープラーニングモデルと比較して接続性指標がどのように向上するか。
• RQ3 パッチサイズや損失関数の選択が、網膜画像における血管の連続性保持にどの程度影響を与えるか。
• RQ4 提案手法は、公的網膜血管データセットにおいて、セグメンテーション精度とトポロジカル忠実度の両面で最先端のモデルを上回ることができるか。

主な発見

• FIVESデータセットでは、SCOPEはDRIUと比較して$\beta_0$誤差を90%削減した（73.8から12.1に）。これは、優れたトポロジカル保持を示している。
• AMDクラスではSCOPEがclDiceスコア0.94を達成し、DRIU（0.87）やRU-UNet（0.87）を上回った。これは、接続性モデリングの向上を示している。
• アブレーションスタディの結果、clDice損失を単独で使用した場合、$\beta_0$誤差は12.1に低下したが、CE損失単独では52.6に上昇した。これはclDice損失が接続性に果たす重要な役割を示している。
• パッチサイズの分析から、2×2パッチでは性能が低下した（例：$\beta_0$誤差 = 12.83）。これは、中心線の保持において最適なパッチサイズが1×1であることを示唆している。
• SCOPEは全クラスで競争力あるピクセル単位の指標（Dice: 0.85–0.91）を維持しており、セグメンテーション精度に妥協がないことが示された。
• 定性的な結果から、SCOPEは、特に細いまたはねじれた血管において、ベースラインが誤って断片化を生じさせるのを防止した。