[論文レビュー] Semantic Segmentation of Human Thigh Quadriceps Muscle in Magnetic Resonance Images

Ezak Fadzrin Ahmad Shaubari, Manu Goyal+3 more|arXiv (Cornell University)|Jan 1, 2018

Advanced Neural Network Applications参考文献 38被引用数 8

ひとこと要約

本稿では、MRIスキャンにおける大腿四頭筋のセマンティックセグメンテーションのためのエンドツーエンドのディープラーニング手法を提示する。この手法は、完全畳み込みネットワーク（FCN-8s、Adam最適化法を併用）を用い、画像フィルタリングおよびモルフォロジカル操作を用いた後処理ステップを組み合わせることで強化されている。本手法は、新しい最先端の平均ジャッカード類似度指数（JSI）0.9502を達成し、1枚あたり0.117秒の処理時間を実現した。

ABSTRACT

This paper presents an end-to-end solution for MRI thigh quadriceps segmentation. This is the first attempt that deep learning methods are used for the MRI thigh segmentation task. We use the state-of-the-art Fully Convolutional Networks with transfer learning approach for the semantic segmentation of regions of interest in MRI thigh scans. To further improve the performance of the segmentation, we propose a post-processing technique using basic image processing methods. With our proposed method, we have established a new benchmark for MRI thigh quadriceps segmentation with mean Jaccard Similarity Index of 0.9502 and processing time of 0.117 second per image.

研究の動機と目的

• MRI大腿筋肉（特に四頭筋、骨、髄髄）の自動的セマンティックセグメンテーションのためのエンドツーエンドのディープラーニングソリューションの開発。
• 最先端のディープラーニングモデルとトランスファー学習を用いて、MRI大腿筋肉セグメンテーションの新しいベンチマークを確立すること。
• 画像フィルタリングとモルフォロジカル操作を組み合わせた新規の後処理技術により、セグメンテーション精度を向上させること。
• 新たに整備されたエキスパートアノテーション済みのMRIデータセットを用い、ディープラーニングモデルと従来の画像処理および機械学習手法の性能を比較すること。
• ディープラーニングが、半自動および完全自動の従来手法に比べ、優れた精度と速度を達成できることを実証すること。

提案手法

• 大腿筋肉のエキスパートアノテーション済みの大規模なMRIデータセット上で、トランスファー学習を用いて微調整された完全畳み込みネットワーク（FCN-8s）を活用する。
• トレーニングにAdam最適化法を採用し、すべてのデータセットにおいてSGDを上回るセグメンテーション精度を達成した。
• 過剰セグメンテーション領域の修正のため、ガウスフィルタリングおよびモルフォロジカル操作（オープニングおよびクロージング）を組み合わせた後処理パイプラインを適用する。
• 汎化性能の評価のため、中間スキャン（MD）、全スキャン（WD）、全スキャン（AD）の3つの異なるデータセットを用いてモデルのトレーニングおよび評価を実施する。
• セグメンテーションの重複度を定量化するために、主評価指標として平均ジャッカード類似度指数（JSI）を用いる。
• モデルのロバスト性および収束性を向上させるために、データオーグメンテーションおよび正規化技術を統合する。

実験結果

リサーチクエスチョン

• RQ1 従来の画像処理および機械学習手法に比べ、ディープラーニングモデルはMRI大腿四頭筋のセマンティックセグメンテーションにおいて優れた性能を達成できるか？
• RQ2 MRI大腿スキャンにおける複数の組織クラス（四頭筋、骨、髄髄）をセグメンテーションする最適なディープラーニングアーキテクチャと最適化法は何か？
• RQ3 提案された後処理技術は、過剰セグメンテーションの低減およびセグメンテーション精度の向上にどの程度効果的か？
• RQ4 提案手法は、高い精度と低い推論時間の両方を達成でき、臨床的および研究的応用に適しているか？
• RQ5 再トレーニングなしで、異なるMRIスキャンタイプ（中間スキャン、全スキャン、全スキャン）に対してモデルは十分に汎化するか？

主な発見

• FCN-8sモデルにAdam最適化法を適用した結果、後処理を施した全スキャン（WD）データセットで、平均ジャッカード類似度指数（JSI）0.9502を達成し、新たなベンチマークを樹立した。
• 後処理ステップにより、WDデータセットのJSIが0.9469から0.9502に0.0033向上したが、影響を受ける画像は1％未満であった。
• 本手法は1枚あたり平均0.117秒で処理を完了し、[51]に記載された従来の完全自動手法よりも188倍速い。
• 後処理を施さないFCN-8sモデルでさえ、従来の半自動ベンチマーク（平均JSI = 0.95）を上回り、WDデータセットで0.9469のスコアを達成した。
• 提案手法は1枚あたり95.02%のJSIと0.117秒の処理時間を実現し、高い精度と効率性を示した。
• 異なるスキャンタイプ間で一貫した性能を示し、後処理後のJSI値はMDで0.927、WDで0.9502、ADで0.9398を記録した。