[論文レビュー] Spatial Aggregation of Holistically-Nested Networks for Automated Pancreas Segmentation

Holger R. Roth, Le Lü+3 more|arXiv (Cornell University)|Jun 24, 2016

Advanced Neural Network Applications参考文献 13被引用数 27

ひとこと要約

本稿では、アブドミナルCTスキャンにおける膵臓の自動セグメンテーションのための包括的ディープラーニングアプローチを提案する。ホリスティックネストドネットワーク（HNN）を用いて、臓器の内部と境界の特徴を同時に学習し、その後、ランダムフォレストを用いた空間的集約を実施する。本手法は、4分割交差検証において、78.01% ± 8.2%のSOTA（最先端）のDice類似係数を達成し、従来手法を著しく上回り、データセット間で高いロバスト性と汎用性を示している。

ABSTRACT

Accurate automatic organ segmentation is an important yet challenging problem for medical image analysis. The pancreas is an abdominal organ with very high anatomical variability. This inhibits traditional segmentation methods from achieving high accuracies, especially compared to other organs such as the liver, heart or kidneys. In this paper, we present a holistic learning approach that integrates semantic mid-level cues of deeply-learned organ interior and boundary maps via robust spatial aggregation using random forest. Our method generates boundary preserving pixel-wise class labels for pancreas segmentation. Quantitative evaluation is performed on CT scans of 82 patients in 4-fold cross-validation. We achieve a (mean $\pm$ std. dev.) Dice Similarity Coefficient of 78.01% $\pm$ 8.2% in testing which significantly outperforms the previous state-of-the-art approach of 71.8% $\pm$ 10.7% under the same evaluation criterion.

研究の動機と目的

• 膵臓の高い解剖学的可変性がCTスキャンにおけるセグメンテーション精度を制限するという課題に対処すること。
• 中レベルのヒント（臓器の内部と境界の予測）を統合した包括的なディープラーニングフレームワークを用いることで、意味的セグメンテーション性能を向上させること。
• 大規模データセットにおけるスケーラブルな検証を可能にするために、従来の1人を除いた患者ごとの評価（leave-one-patient-out）の計算コストの高いプロトコルを代替する計算効率の良い代替手法を開発すること。
• マルチスケールの深層特徴の空間的集約により、ピクセル単位のラベル付けの正確性と一貫性を向上させること。
• 微調整なしで独立した未学習データセットに適用した場合のモデルの汎用性を示すこと。

提案手法

• 膵臓内部（HNN-I）および境界（HNN-B）予測の両方のための、エンドツーエンドでマルチスケールの特徴表現を学習するため、ホリスティックネストドネットワーク（HNN）を採用する。
• HNN-IおよびHNN-Bから得られる確率マップを統合するために、ランダムフォレストベースの空間的集約モジュール（HNN-RF）を用い、学習された空間的一致性および位置のヒントを活用する。
• 低しきい値（>0.5）でランダムフォレスト分類を用いて候補領域を生成し、膵臓を含むバウンディングボックスをほぼ100％の再現率で抽出する。
• 訓練データを用いてしきい値を設定した確率マップをキャリブレーションし、空間的集約の性能を最適化する。
• 従来のCRFやデュースリーCRF最適化に代わる、学習された空間的集約戦略を導入し、セグメンテーションの一貫性を向上させる。
• 計算コストの高い1人を除いた患者ごとの評価プロトコルを回避するため、82例の患者CTスキャンを用いて4分割交差検証でモデルを訓練および評価する。

実験結果

リサーチクエスチョン

• RQ1 膵臓の内部と境界の特徴を同時に学習することで、CTスキャンにおける膵臓セグメンテーションの精度が向上するか？
• RQ2 ランダムフォレストを用いた中レベルのヒント（中間特徴）の空間的集約は、従来のCRFベースの最適化を上回る性能を示すか？
• RQ3 標準的な4分割交差検証下で、包括的ディープラーニングアプローチが、従来のSOTA手法を上回るDice類似係数を達成できるか？
• RQ4 独立した未学習データセットに適用した場合、本手法の汎用性性能はどのように比較されるか？
• RQ5 本手法は、従来の研究で一般的に用いられる1人を除いた患者ごとの評価戦略よりも計算的に効率的か？

主な発見

• 提案されたHNN-RF手法は、4分割交差検証において平均78.01% ± 8.2%のDice類似係数を達成し、同じ評価プロトコル下で71.8% ± 10.7%であった従来のSOTAを著しく上回った。
• HNN-I（76.99% DSC）からHNN-RF（78.01% DSC）への向上は、統計的に有意であった（p < 0.001、ウィルコクソン符号順位検定）。
• 本手法は、従来の1人を除いた患者ごとの評価を用いた研究と比較して、より優れた統計的安定性を示し、DSCの標準偏差は8.2%であったのに対し、それらは18.6%および15.3%であった。
• すべての症例における最小DSC値は34.11%であり、DSC < 10%を報告する従来手法と比べて顕著に高い。
• 80%の症例でDSCが74.13%以上に達し、90%の症例でDSCが69.0%以上に達しており、多様な解剖学的変異に対しても一貫性が保たれていることが示された。
• 再トレーニングなしで独立した30例のデータセットに適用したところ、4つのクロスバリデーションモデルの予測を平均化した結果、平均DSCは65.66%を達成し、強力な汎用性の能力を示した。