[論文レビュー] Sequential 3D U-Nets for Biologically-Informed Brain Tumor Segmentation

Andrew Beers, Ken Chang+6 more|arXiv (Cornell University)|Sep 9, 2017

Brain Tumor Detection and Classification参考文献 3被引用数 33

ひとこと要約

本稿では、最初に腫瘍全体（浮腫 + 強化腫瘍 + 非強化腫瘍）を予測し、その出力を用いて強化腫瘍および非強化腫瘍の個別モデルを誘導するという、解剖学的腫瘍階層を活用した逐次的3次元U-Netフレームワークを提案する。この手法は、BraTS 2017の検証セットで、腫瘍全体（Diceスコア0.882）、強化腫瘍（0.732）、腫瘍コア（0.730）の各スコアを達成した。

ABSTRACT

Deep learning has quickly become the weapon of choice for brain lesion segmentation. However, few existing algorithms pre-configure any biological context of their chosen segmentation tissues, and instead rely on the neural network's optimizer to develop such associations de novo. We present a novel method for applying deep neural networks to the problem of glioma tissue segmentation that takes into account the structured nature of gliomas - edematous tissue surrounding mutually-exclusive regions of enhancing and non-enhancing tumor. We trained multiple deep neural networks with a 3D U-Net architecture in a tree structure to create segmentations for edema, non-enhancing tumor, and enhancing tumor regions. Specifically, training was configured such that the whole tumor region including edema was predicted first, and its output segmentation was fed as input into separate models to predict enhancing and non-enhancing tumor. Our method was trained and evaluated on the publicly available BraTS dataset, achieving Dice scores of 0.882, 0.732, and 0.730 for whole tumor, enhancing tumor and tumor core respectively.

研究の動機と目的

• 膠腫瘍の組織階層に関する生物学的知識を深層学習モデルに組み込むことで、脳腫瘍セグメンテーションの精度を向上させること。
• 既存の深層学習手法が生物学的制約を事前に持たないまま組織関連性を新たに学習するという限界を是正すること。
• 浮腫、強化腫瘍、非強化腫瘍の間の解剖学的関係を尊重するキャスケード型U-Netアーキテクチャの開発。
• 後続の腫瘍亜型のための空間的文脈を提供するために、腫瘍全体の予測結果を条件付き入力として用いることで、モデルの信頼性とセグメンテーション品質を向上させること。
• 公開されたBraTS 2017データセットを用いて手法を検証し、コンテストで最先端のパフォーマンスを達成すること。

提案手法

• 各組織タイプのパッチベースセグメンテーションに3次元U-Netアーキテクチャを用い、T1、T1強化、T2、FLAIRの4つのMRIシーケンスから得られる32×32×32の入力パッチを対象とする。
• 腫瘍全体（WT）のセグメンテーションは2段階のプロセスで実施：まず2mm等方的スキャンで低解像度予測を行い、その後1mm等方的スキャンで最近傍補間によるラベルマップのアップサンプリングを伴う精錬処理を実施。
• その後、強化腫瘍（ET）および腫瘍コア（TC）のモデルは、WT予測結果を追加の入力チャネルとして用いて学習させ、空間的文脈を提供する。
• データオーグメンテーションには、トレーニングセットのサイズを2倍にするための冠状面反転と、すべてのスキャンで平均0、分散1に強度正規化を実施。
• 推論にはスライディングウィンドウ法を用い、16の重複するオフセットから得られる確率を平均化し、その後二値化処理を実施。
• 後処理には、4つのMRIシーケンスに加え、WT、ET、TCの3つのラベルマップを含む7チャネル入力を用いた、ETおよびTCの予測を精錬する追加の2つのU-Netを適用。

実験結果

リサーチクエスチョン

• RQ1 膠腫瘍の階層的生物学的構造をモデル化することで、深層学習ベースの腫瘍セグメンテーション性能が向上するか？
• RQ2 腫瘍境界に関する事前知識を有する逐次的・キャスケード型U-Netアーキテクチャを用いることで、強化腫瘍や非強化腫瘍などの亜型のセグメンテーション精度が向上するか？
• RQ3 腫瘍全体の予測結果を条件付き入力として組み込むことで、その後続の腫瘍亜型セグメンテーションの正確性にどのような影響を与えるか？
• RQ4 生物学的知識に基づいたアーキテクチャは、標準的なエンドツーエンドU-Netモデルに比べて、BraTS 2017チャレンジでどれほど優れた性能を示すか？
• RQ5 専用の精錬ネットワークを用いた後処理は、標準的な形態的処理よりもセグメンテーション品質をさらに向上させられるか？

主な発見

• 逐次的3次元U-Netアプローチは、BraTS 2017検証セット（n = 46）で腫瘍全体セグメンテーションにおいてDiceスコア0.882を達成した。
• 強化腫瘍セグメンテーションではDiceスコア0.732を達成し、BraTS 2017チャレンジで61名の参加者中16位となった。
• 腫瘍コアセグメンテーションではDiceスコア0.730を達成し、チャレンジで61件中28位となった。
• 腫瘍全体の予測結果を条件付き入力として用いることで、その後続のETおよびTCセグメンテーションモデルの信頼性と正確性が顕著に向上した。
• 後処理用の精錬U-Netにより、標準的な形態的処理に比べてノイズが低減され、境界の一貫性が向上した。
• 本モデルは多様な患者スキャンに対して頑健であり、腫瘍形態や画像プロトコルのばらつきにもかかわらず、検証コhort全体で一貫したパフォーマンスを示した。