[論文レビュー] Small Organ Segmentation in Whole-body MRI using a Two-stage FCN and Weighting Schemes

Vanya V. Valindria, Ioannis Lavdas+5 more|arXiv (Cornell University)|Jul 30, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 15被引用数 4

ひとこと要約

本論文は、全身MRIにおける小器官のセグメンテーションを改善するために、クラス重み付けと空間的事前知識を組み合わせた2段階の完全畳み込みネットワーク（FCN）を提案する。粗いセグメンテーションに重み付きFCNを、文脈的精錬にオートコンテキストを、局所化にマルチアトラス事前知識を統合することで、小器官におけるDSCが0.560に向上し、ベースラインFCN（0.244 DSC）および最先端手法を著しく上回った。

ABSTRACT

Accurate and robust segmentation of small organs in whole-body MRI is difficult due to anatomical variation and class imbalance. Recent deep network based approaches have demonstrated promising performance on abdominal multi-organ segmentations. However, the performance on small organs is still suboptimal as these occupy only small regions of the whole-body volumes with unclear boundaries and variable shapes. A coarse-to-fine, hierarchical strategy is a common approach to alleviate this problem, however, this might miss useful contextual information. We propose a two-stage approach with weighting schemes based on auto-context and spatial atlas priors. Our experiments show that the proposed approach can boost the segmentation accuracy of multiple small organs in whole-body MRI scans.

研究の動機と目的

• 極度のクラス不均衡と弱い境界による全身MRIにおける正確な小器官セグメンテーションの課題に対処する。
• 小器官のピクセル占有率が低く、背景が複雑なため、標準的なディープラーニングモデルが性能を発揮できない問題を克服する。
• 文脈的および解剖学的事前知識を統合した粗いから細かい構造へのアーキテクチャにより、セグメンテーション精度を向上させる。
• クラス重み付け、オートコンテキスト、空間的事前知識がMRIにおける多臓器セグメンテーション性能に与える影響を評価する。
• 単一臓器やCTベースの手法にとどまらず、全身MRIにおける複数の小器官および骨を対象とする拡張を図る。

提案手法

• 2段階FCNを適用：第1段階では、全臓器の粗いセグメンテーションと確率マップを生成する重み付きFCNを用いる。
• クラス不均衡に対処するため、損失関数にクラス重み付けを導入し、代表度の低い小器官に高い損失寄与を割り当てる。
• 精錬段階ではオートコンテキストを実装し、粗いセグメンテーションの確率マップを追加入力として、細かいネットワークの出力をガイドする。
• マルチアトラスセグメンテーションからの空間的事前知識を適用し、粗い確率マップとアトラスベースの予測を乗算して局所化を精錬する。
• 粗い予測から得られる臓器固有のバウンディングボックスを用いて、各臓器の注目領域（ROI）を切り出すことで、関連する解剖学的構造に焦点を当てる。
• マルチタスクの監視を用いて、粗いネットワークと細かいネットワークをエンドツーエンドで同時に最適化する。

実験結果

リサーチクエスチョン

• RQ1 クラス重み付けを施した2段階FCNは、全身MRIにおける小器官セグメンテーション精度を顕著に向上させることができるか？
• RQ2 マルチアトラスセグメンテーションからのオートコンテキストと空間的事前知識を統合することで、微細なセグメンテーション性能にどのような影響を与えるか？
• RQ3 小器官の体積占有率が0.007%未満である場合、重み付けスキームがクラス不均衡をどの程度緩和できるか？
• RQ4 粗いから細かい処理、オートコンテキスト、空間的事前知識の組み合わせが、複数の小器官において最先端手法を上回る性能を発揮するか？
• RQ5 異なる事前知識（例：マルチアトラス vs. オートコンテキスト）が、副腎や鎖骨などの特定の小器官のセグメンテーションに与える影響は何か？

主な発見

• オートコンテキストとマルチアトラス空間的事前知識を統合した提案手法の2段階重み付きFCNは、小器官の平均DSCが0.560に達し、ベースラインFCN（0.244 DSC）を著しく上回った。
• クラス重み付けのみで小器官DSCは0.244から0.483に向上し、クラス不均衡の緩和に有効であることが示された。
• マルチアトラス事前知識の導入により、副腎（DSC: 0.203）および他の小器官のセグメンテーションが向上したが、アトラス精度が低いため鎖骨では性能がわずかに低下した。
• オートコンテキストの統合により、偽陽性が減少し、特に副腎のような小でコントラストが低い臓器の局所化が向上した。
• 最先端の2段階手法と比較して、小器官DSCで約50%の向上を達成し、文脈的および空間的事前知識を共同最適化することで利点が得られることを確認した。
• 重み付け、オートコンテキスト、空間的事前知識の組み合わせが最も優れた全体的な性能を示し、体積が極めて小さい（全体の0.0001%）副腎では相対的に最も顕著な改善が見られた。