[論文レビュー] Star Shape Prior in Fully Convolutional Networks for Skin Lesion Segmentation

Zahra Mirikharaji, Ghassan Hamarneh|arXiv (Cornell University)|Jun 21, 2018

Cutaneous Melanoma Detection and Management参考文献 25被引用数 14

ひとこと要約

本論文は、皮膚腫瘍のセグメンテーションのための完全畳み込みネットワーク（FCNs）を正則化するための新しいスターフォームプライア損失関数を提案する。この手法は、非スターフォームの予測をペナルティ化することで、グローバルな病変構造を強制する。本手法は最先端の性能を達成し、ResNet-DUCアーキテクチャを用いてISBI 2017皮膚腫瘍セグメンテーションチャレンジで77.3%のジャッカード指数を記録し、第1位となった。

ABSTRACT

Semantic segmentation is an important preliminary step towards automatic medical image interpretation. Recently deep convolutional neural networks have become the first choice for the task of pixel-wise class prediction. While incorporating prior knowledge about the structure of target objects has proven effective in traditional energy-based segmentation approaches, there has not been a clear way for encoding prior knowledge into deep learning frameworks. In this work, we propose a new loss term that encodes the star shape prior into the loss function of an end-to-end trainable fully convolutional network (FCN) framework. We penalize non-star shape segments in FCN prediction maps to guarantee a global structure in segmentation results. Our experiments demonstrate the advantage of regularizing FCN parameters by the star shape prior and our results on the ISBI 2017 skin segmentation challenge data set achieve the first rank in the segmentation task among $21$ participating teams.

研究の動機と目的

• 皮膚科的画像における外観の多様性とFCNによる微細構造の損失による、不一致で不規則な病変セグメンテーションの課題に対処すること。
• 具体的には、スターフォームプライアという解剖学的に妥当な形状の事前知識を、エンドツーエンドで学習可能なFCNの損失関数に直接統合すること。
• 従来のエネルギーベースの手法とは異なり、推論時に反復的最適化やユーザー定義のオブジェクト中心点を必要としないこと。
• 予測された病変マスクにおけるグローバルな構造的一致性を強制することで、セグメンテーションのロバスト性と境界の正確性を向上させること。
• 形状の事前知識が、医療画像セグメンテーションタスクにおける深層学習フレームワークに効果的に埋め込めることが実証されること。

提案手法

• 本手法は、FCNの予測マップにおけるスターフォーム病変形態からの逸脱をペナルティ化する、微分可能である新しい損失項を導入する。
• スターフォームプライアは、各フォアグラウンドピクセルの中心点からの角度的逸脱を測定することで符号化され、径方向一貫性指標が用いられる。
• 損失関数は、バイナリクロスエントロピーと、ピクセルがスターフォーム特性に違反する際のペナルティが増加する形状正則化項の組み合わせから成る。
• ユーザー入力や複雑な最適化を回避するため、病変の重心に基づく固定中心推定戦略を採用する。
• 本フレームワークは、U-NetとResNet-DUCという2つの最先端のFCNアーキテクチャに適用され、後者はドーナツ型畳み込み（dilated convolutions）と1つのDUC層を用いて特徴のアップサンプリングを実行する。
• 学習は2段階で実施される：最初に5エポック間、バイナリクロスエントロピーで学習し、その後Adam最適化法を用いて学習率を段階的に減衰させながら、スターフォーム正則化損失によるファインチューニングを行う。

実験結果

リサーチクエスチョン

• RQ1 エンドツーエンドで学習可能なFCNの損失関数に、微分可能なスターフォームプライアを効果的に埋め込めるか？
• RQ2 スターフォーム病変形態の強制は、皮膚腫瘍画像におけるセグメンテーションの正確性と構造的妥当性を向上させるか？
• RQ3 本手法は、後処理やマルチスケール入力、アンサンブル平均化を必要とせずに最先端の性能を達成できるか？
• RQ4 スターフォームプライアは、多様な病変外観にわたってセグメンテーションノイズを低減し、境界の一貫性を向上させるか？
• RQ5 推論時にユーザー定義のオブジェクト中心点や反復的最適化を必要としない状況でも、性能向上を維持できるか？

主な発見

• 提案されたスターフォーム正則化損失は、ベースラインFCNと比較してU-Netでは3.3ポイント、ResNet-DUCでは3.3ポイントのジャッカード指数の向上を達成した。
• スターフォームプライアを用いて学習されたResNet-DUCモデルは、ジャッカード指数77.3%を達成し、ISBI 2017皮膚腫瘍セグメンテーションチャレンジで21チーム中第1位となった。
• ResNet-DUCアーキテクチャでは、Diceスコアが83.3%から85.7%に、感度が80.0%から85.5%に向上した。
• 統計的有意性検定（ウィルコクソン符号順位検定）により、スターフォームプライアを用いた場合の性能向上がp < 0.05で有意であると確認された。
• 定性的な結果では、滑らかで単一連結の病変マスクが得られ、不連続なコンポーネントが少なく、構造的一致性の向上が示された。
• 本手法は高い特異性（97.3%）と精度（93.8%）を維持しながらも、強力な感度を保持しており、多様な病変タイプにわたるロバスト性が示された。