[論文レビュー] Semantic-guided Encoder Feature Learning for Blurry Boundary Delineation

Dong Nie, Dinggang Shen|arXiv (Cornell University)|Jun 10, 2019

Medical Image Segmentation Techniques参考文献 11被引用数 5

ひとこと要約

本論文は、低コントラスト医療画像における境界の明確化を向上させるために、セマンティックガイド付きエンコーダー特徴学習（SGM）モジュールとソフトコントア制約を提案する。アテンション機構を用いて高分解能のセマンティック特徴を活用し、確率的ソフトラベルを用いてぼやけた境界をモデル化することで、特にMRIにおける前立腺など困難な構造に対して最先端の性能を達成し、ベースラインUNetに比べて前立腺のDSCで4.41%の向上を達成した。

ABSTRACT

Encoder-decoder architectures are widely adopted for medical image segmentation tasks. With the lateral skip connection, the models can obtain and fuse both semantic and resolution information in deep layers to achieve more accurate segmentation performance. However, in many applications (e.g., blurry boundary images), these models often cannot precisely locate complex boundaries and segment tiny isolated parts. To solve this challenging problem, we firstly analyze why simple skip connections are not enough to help accurately locate indistinct boundaries and argue that it is due to the fuzzy information in the skip connection provided in the encoder layers. Then we propose a semantic-guided encoder feature learning strategy to learn both high resolution and rich semantic encoder features so that we can more accurately locate the blurry boundaries, which can also enhance the network by selectively learning discriminative features. Besides, we further propose a soft contour constraint mechanism to model the blurry boundary detection. Experimental results on real clinical datasets show that our proposed method can achieve state-of-the-art segmentation accuracy, especially for the blurry regions. Further analysis also indicates that our proposed network components indeed contribute to the improvement of performance. Experiments on additional datasets validate the generalization ability of our proposed method.

研究の動機と目的

• 低コントラスト医療画像における境界セグメンテーションの不正確さ、特にMRIにおける前立腺のようなぼやけたまたは消失した境界を有する臓器の課題に対処すること。
• エンコーダー・デコーダー構造の標準的なスキップ接続の限界を克服すること。これらは浅層からのノイズが多く不正確な特徴を伝搬する。
• デコーダーからの高レベルのセマンティック情報を明示的に用いてエンコーダー層の特徴学習をガイドすることで、より良い局在化を実現すること。
• 境界確率をモデル化するソフトコントア制約を導入することで、ハードバイナリラベルではなく、境界の不確実性を扱うことで境界検出のロバスト性を向上させること。
• 訓練ドメイン外の外部データセットにおいて、本手法の一般化能力を検証すること。

提案手法

• エンコーダーの低レベル特徴とデコーダーの高レベル特徴を連結し、チャネル別および空間別アテンションを適用することで、判別性が高く高分解能なセマンティック特徴を学習するセマンティックガイド付きエンコーダー特徴学習（SGM）モジュールを導入する。
• デコーダー特徴によってガイドされたアテンション機構を用い、エンコーダー内の情報量の多い空間的およびチャネル別特徴を強調することで、ノイズを低減し境界関連表現を強化する。
• ぼやけた境界の不確実性をモデル化するため、確率的境界ラベル（ソフトラベル）を用いたソフトクロスエントロピー損失を適用し、局在化精度を向上させる。
• エンコーダー特徴をデコーダー層とスキップ接続で結合する際、生の連結をアテンション正則化付き特徴統合に置き換えることで、強化されたエンコーダー特徴を統合する。
• クリアな境界にはハード制約、ぼやけた境界にはソフト制約を用いる二重分岐のマルチタスク学習を採用する。
• マルチスケールのディープサブビジョンを用いてネットワークを訓練し、Dice類似係数（DSC）や平均表面距離（ASD）といった標準指標を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 深層特徴からのセマンティックガイドが、医療画像セグメンテーションにおける境界局在化のための高分解能エンコーダー特徴の質を向上させることができるか？
• RQ2 生のスキップ接続をアテンションベースの特徴統合に置き換えることで、ノイズを低減し、ぼやけた境界における性能を向上させることができるか？
• RQ3 境界確率をモデル化するソフトコントア制約が、従来のハード境界制約を上回ることができるか、特に低コントラスト領域で？
• RQ4 本手法は、同様の境界課題を有する未観測の臨床データセットへどの程度一般化可能か？
• RQ5 個々の構成要素（SGM、ソフト制約）が全体の性能向上にどの程度定量的に寄与しているか？

主な発見

• 提案手法は、マルチスケールのディープサブビジョンを備えたベースラインUNetに比べ、前立腺（非常にぼやけた構造）のDice類似係数（DSC）で4.41%の向上を達成した。
• ソフトコントア制約により、平均表面距離（ASD）が0.8%改善され、ぼやけた境界における局在化精度の向上が示された。
• SGMモジュールは性能向上に大きく寄与しており、膀胱、前立腺、直腸について、それぞれ2.40%、4.41%、2.8%のDSC向上を達成した。
• PROMISE12データセットでは、5分割交差検証でDSCが0.92、ASDが1.57を達成し、290件の提出内上位6位以内にランクインした。
• 定性的な可視化では、FCN、UNet、AttUNet、ConSEUNetに比べ、特にぼやけた領域でより鋭く正確な境界マップを学習していることが示された。
• クラスタリングベースの可視化により、4エポック目における学習済み特徴の凝集度が確認され、ネットワークがより速く収束し、より判別性の高い特徴マップを生成していることが裏付けられた。