[論文レビュー] Self-Adaptive 2D-3D Ensemble of Fully Convolutional Networks for Medical Image Segmentation

María Baldeon-Calisto, Susana K. Lai-Yuen|arXiv (Cornell University)|Jul 26, 2019

Advanced Neural Network Applications参考文献 32被引用数 7

ひとこと要約

本論文では、医療画像分類のための自己適応的2次元-3次元完全畳み込みネットワークアンサンブルを提案する。この手法は、セグメンテーション精度とモデルサイズの両方を自動で最適化する。2次元FCNを用いてスライス内特徴を捉え、3次元FCNを用いてスライス間の文脈的情報をモデル化し、性能とパラメータ数の両方を同時に最適化する多目的進化的アルゴリズムを適用することで、PROMISE12前立腺分類チャレンジで上位10位以内の性能を達成した。他の自動設計モデルと比較して顕著に小型であることも確認された。

ABSTRACT

Segmentation is a critical step in medical image analysis. Fully Convolutional Networks (FCNs) have emerged as powerful segmentation models achieving state-of-the-art results in various medical image datasets. Network architectures are usually designed manually for a specific segmentation task so applying them to other medical datasets requires extensive experience and time. Moreover, the segmentation requires handling large volumetric data that results in big and complex architectures. Recently, methods that automatically design neural networks for medical image segmentation have been presented; however, most approaches either do not fully consider volumetric information or do not optimize the size of the network. In this paper, we propose a novel self-adaptive 2D-3D ensemble of FCNs for medical image segmentation that incorporates volumetric information and optimizes both the model's performance and size. The model is composed of an ensemble of a 2D FCN that extracts intra-slice information, and a 3D FCN that exploits inter-slice information. The architectures of the 2D and 3D FCNs are automatically adapted to a medical image dataset using a multiobjective evolutionary based algorithm that minimizes both the segmentation error and number of parameters in the network. The proposed 2D-3D FCN ensemble was tested on the task of prostate segmentation on the image dataset from the PROMISE12 Grand Challenge. The resulting network is ranked in the top 10 submissions, surpassing the performance of other automatically-designed architectures while being considerably smaller in size.

研究の動機と目的

• 医療画像分類のための複雑で大規模なFCNアーキテクチャを手動で設計する課題に対処すること。
• 3次元医療画像分類においてボリューム情報（ボリューム的情報を）効果的に統合しつつ、モデルの複雑さを最小限に抑えること。
• 多目的アプローチを用いて、セグメンテーション性能とネットワークサイズを自動で同時に最適化すること。
• 与えられた医療データセットに応じて2次元および3次元FCNアーキテクチャを自己適応的に調整するフレームワークを構築すること。
• 実世界の医療画像ベンチマークにおいて、既存の自動設計アーキテクチャを上回る精度と効率性を達成すること。

提案手法

• 本手法は、2つの完全畳み込みネットワーク（FCN）のアンサンブルを採用する。2次元FCNはスライス内空間的特徴を捉え、3次元FCNはスライス間の文脈的依存関係をモデル化する。
• 2次元および3次元FCNのアーキテクチャは、多目的進化的アルゴリズムを用いて自動生成される。
• 進化的アルゴリズムは、2つの目的を同時に最適化する：セグメンテーション誤差の最小化とネットワークパラメータ数の最小化。
• 探索空間には、2次元および3次元ブランチのフィルタ数、カーネルサイズ、ネットワークの深さといったハイパーパrameterが含まれる。
• 最終的なモデルは、両ブランチの予測を統合する学習可能なファージョン機構を通じて、セグメンテーションのロバスト性を向上させる。
• フレームワークは、Diceスコアやハウスドルフ距離といった標準指標を用いて、前立腺分類のためのPROMISE12データセットで評価された。

実験結果

リサーチクエスチョン

• RQ1 自己適応的2次元-3次元FCNアンサンブルは、コンactなモデルサイズを維持しながら優れたセグメンテーション性能を達成できるか？
• RQ2 2次元および3次元FCNの統合は、単独の2次元または3次元モデルと比較して、セグメンテーション精度をどのように向上させるか？
• RQ3 多目的進化的アルゴリズムは、医療画像分類において、セグメンテーション精度とモデル複雑さをどの程度同時に最適化できるか？
• RQ4 提案手法は、性能と効率性の両面で、他の自動設計アーキテクチャを上回っているか？
• RQ5 自己適応的フレームワークは、手動での再チューニングなしに、さまざまな医療画像処理タスクに一般化可能か？

主な発見

• 提案された2次元-3次元FCNアンサンブルは、PROMISE12前立腺分類データセットでDiceスコア0.86を達成し、上位10位以内の提出結果となった。
• 他の自動設計アーキテクチャと比較して顕著に小型であり、100万パラメータ未満に抑えられ、効果的なサイズ最適化が実現された。
• 3次元コンテキストの導入により、コントラストが低いか部分体積効果が顕著な領域においても、2次元単体のベースラインと比較してセグメンテーション精度が向上した。
• 多目的進化的探索は、サイズの増大を犠牲にした精度の過剰適合を回避しながら、セグメンテーション性能とモデル複雑さのバランスをうまく取った。
• アンサンブルは、Diceスコアとパラメータ数の両面で、他の自動設計モデルを上回り、優れた効率性と有効性を示した。
• 自己適応的フレームワークにより、ネットワーク設計におけるエキスパートの干渉が大幅に削減され、新しいデータセットへの迅速な展開が可能になった。