[論文レビュー] Splenomegaly Segmentation using Global Convolutional Kernels and Conditional Generative Adversarial Networks

Yuankai Huo, Zhoubing Xu+8 more|arXiv (Cornell University)|Dec 2, 2017

Advanced X-ray and CT Imaging参考文献 13被引用数 8

ひとこと要約

本論文では、脾臓のサイズと形状の極端な変異に起因する高False Positive率およびFalse Negative率の問題に対処することを目的として、グローバル畳み込みネットワーク（GCN）を生成器とし、PatchGAN判別器を備えた条件付き生成対抗ネットワーク（cGAN）であるスプラノメガリー分類ネットワーク（SSNet）を提案する。この手法は、独立してテストされた脾腫大症例において平均Dice係数0.9260を達成し、False NegativeおよびFalse Positiveを顕著に低減した。

ABSTRACT

Spleen volume estimation using automated image segmentation technique may be used to detect splenomegaly (abnormally enlarged spleen) on Magnetic Resonance Imaging (MRI) scans. In recent years, Deep Convolutional Neural Networks (DCNN) segmentation methods have demonstrated advantages for abdominal organ segmentation. However, variations in both size and shape of the spleen on MRI images may result in large false positive and false negative labeling when deploying DCNN based methods. In this paper, we propose the Splenomegaly Segmentation Network (SSNet) to address spatial variations when segmenting extraordinarily large spleens. SSNet was designed based on the framework of image-to-image conditional generative adversarial networks (cGAN). Specifically, the Global Convolutional Network (GCN) was used as the generator to reduce false negatives, while the Markovian discriminator (PatchGAN) was used to alleviate false positives. A cohort of clinically acquired 3D MRI scans (both T1 weighted and T2 weighted) from patients with splenomegaly were used to train and test the networks. The experimental results demonstrated that a mean Dice coefficient of 0.9260 and a median Dice coefficient of 0.9262 using SSNet on independently tested MRI volumes of patients with splenomegaly.

研究の動機と目的

• MRIスキャンにおける極端なサイズおよび形状の変異に起因する脾臓分類の高False Positive率およびFalse Negative率の問題に対処すること。
• 深層学習を用いて脾腫大症の検出に向けた自動脾臓体積推定を改善すること。
• 臨床的に取得された3次元T1およびT2強調MRIスキャンに特化した、頑健な分類フレームワークの開発。
• 特化したコンponentsを備えた条件付きGANを活用して、困難な解剖学的症例における分類精度を向上させること。

提案手法

• SSNetフレームワークは、分類予測を精緻化するために生成器と判別器を用いる条件付き生成対抗ネットワーク（cGAN）アーキテクチャに基づいている。
• 生成器は、長距離の文脈的特徴を捉え、特に大きな脾臓におけるFalse Negativeを低減するためにグローバル畳み込みネットワーク（GCN）を採用している。
• 判別器は、局所的な画像の現実性を強化し、False Positive予測を抑制するためにPatchGANアーキテクチャを用いている。
• ネットワークは、T1およびT2強調スキャンを含む脾腫大症患者の3次元MRIスキャンコhortに対して、エンドツーエンドで訓練されている。
• 再構成誤差の最小化と、本物の分類出力と偽物の分類出力を区別する能力の両方を最適化するため、損失関数が調整されている。
• 訓練は、敵対的損失とL1損失の組み合わせにより実施され、訓練の安定化と一般化性能の向上が図られている。

実験結果

リサーチクエスチョン

• RQ1 GCN生成器を備えたcGANベースのフレームワークは、MRI上での異常に拡大した脾臓におけるFalse Negative分類を効果的に低減できるか？
• RQ2 PatchGAN判別器は、脾臓分類におけるFalse Positive予測の低減にどのように寄与するか？
• RQ3 GCNによるグローバル文脈モデリングの統合は、脾臓のサイズおよび形状の極端な変異を示す症例における分類精度をどの程度向上させるか？
• RQ4 提案されたSSNetは、臨床的に取得された3次元MRIスキャン（脾腫大症を含む）において、標準的なDCNNベースの分類モデルを上回る性能を示すか？

主な発見

• SSNetは、脾腫大症患者の独立したテストMRIボリュームにおいて、平均Dice係数0.9260を達成した。
• テストセット全体における中央値Dice係数は0.9262であり、分類性能の高い一貫性を示した。
• GCN生成器の使用により、特に極めて大きな脾臓を有する症例においてFalse Negative率が顕著に低減された。
• PatchGAN判別器は、False Positive予測の抑制に効果的に寄与し、局所化の正確性が向上した。
• モデルは臨床コhortにおけるT1強調およびT2強調MRIシーケンスの両方で頑健な性能を示した。
• 結果から、グローバル文脈モデリングと敵対的訓練を統合することで、挑戦的なAbdominal画像診断シナリオにおける分類信頼性が向上することが示された。