[論文レビュー] Structure and position-aware graph neural network for airway labeling

Weiyi Xie, Colin Jacobs+2 more|arXiv (Cornell University)|Jan 12, 2022

Chronic Obstructive Pulmonary Disease (COPD) Research被引用数 4

ひとこと要約

本稿では、CTスキャンにおける気道ラベリングのための構造および位置に配慮したグラフニューラルネットワーク（SPGNN）を提案する。この手法は、アーキテクチャベースの距離符号化を用いて、トポロジー的構造と位置関係を両方とも符号化するGNNと、CNNで抽出された特徴を組み合わせる。本手法は18個の気道分岐に対して91.18%の平均正答率を達成し、ベースラインのCNN（83.83%）や構造のみに配慮したGNNを著しく上回る性能を示した。

ABSTRACT

We present a novel graph-based approach for labeling the anatomical branches of a given airway tree segmentation. The proposed method formulates airway labeling as a branch classification problem in the airway tree graph, where branch features are extracted using convolutional neural networks (CNN) and enriched using graph neural networks. Our graph neural network is structure-aware by having each node aggregate information from its local neighbors and position-aware by encoding node positions in the graph. We evaluated the proposed method on 220 airway trees from subjects with various severity stages of Chronic Obstructive Pulmonary Disease (COPD). The results demonstrate that our approach is computationally efficient and significantly improves branch classification performance than the baseline method. The overall average accuracy of our method reaches 91.18\% for labeling all 18 segmental airway branches, compared to 83.83\% obtained by the standard CNN method. We published our source code at https://github.com/DIAGNijmegen/spgnn. The proposed algorithm is also publicly available at https://grand-challenge.org/algorithms/airway-anatomical-labeling/.

研究の動機と目的

• CTスキャンにおける気道ツリーの正確な解剖的ラベリングの課題に取り組むこと、特に高い解剖的可変性とセグメンテーションノイズが存在する状況での対応。
• 構造にのみ配慮する従来のグラフベース手法の限界を改善すること。同様の近傍を持つ対称的ノードを区別できない点が問題である。
• グラフニューラルネットワークに位置情報を取り入れ、同胞分岐や階層的順序関係といったトポロジー的関係をよりよく捉えること。
• 計算効率が良く、エンドツーエンドで学習可能な、多様なCOPD重症度ステージに一般化しやすい手法を開発すること。
• 一般化可能な、公開可能で再利用可能な気道ラベリングソリューションを提供すること。

提案手法

• 本手法は、各ノードがセグメンテッド気道ツリー内の分岐を表すグラフ上のノード分類問題として気道ラベリングを定式化する。
• 畳み込みニューラルネットワーク（CNN）が3次元気道セグメントから視覚的特徴を抽出し、それらをグラフ内の初期ノード特徴として用いる。
• 予め定義されたアンカーブランチからのトポロジカル距離を用いて位置情報を符号化する、構造および位置に配慮した新しいグラフニューラルネットワーク（GNN）アーキテクチャを提案する。
• GNNはグラフアテンション機構を用いて隣接ノードからのメッセージをアグリゲートし、構造的および位置的関連性に基づいて入力特徴の重みを適応的に設定する。
• 深層アーキテクチャにおける過剰平滑化を軽減するために、GNNにスキップ接続を組み込み、学習の安定性と性能を向上させる。
• 最終的なノード表現は、分類ヘッドを用いて各気道分岐の解剖的ラベルを予測するために使用される。

実験結果

リサーチクエスチョン

• RQ1 GNNに位置符号化を統合することで、対称的構造を有する気道ツリーにおけるノード分類性能が向上するか？
• RQ2 本手法のSPGNNは、多様なCOPD表現型において、標準的なCNNおよび構造のみに配慮したGNNと比較して、ラベリング正答率で優れているか？
• RQ3 GNNアーキテクチャにスキップ接続を組み込むことで、深層グラフネットワークにおける過剰平滑化がどの程度軽減され、性能向上が達成されるか？
• RQ4 アンカーベースの位置符号化を用いることで、同胞分岐や階層的関係の区別能力が向上するか？
• RQ5 本手法は、異なる気道ツリーのトポロジーとセグメンテーションアーチファクトに対しても一般化可能か？

主な発見

• SPGNNは18個の気道分岐において全体の平均正答率91.18%を達成し、ベースラインのCNN手法（83.83%）を著しく上回った。
• SPGNNは同胞関係の正しく識別する能力に優れ、例えばLB3とLB5を正しく同胞と識別できたが、GATSおよびCNN手法では失敗した。
• 解剖的変異や畳み込み特徴の曖昧さにより頻繁に誤分類される分岐（例：RB1やLB10）の誤分類が減少した。
• グラフアテンションネットワーク（GAT）は、本データセットにおいて他のGNNアーキテクチャを上回り、スキップ接続は深層モデルにおける性能安定化に寄与した。
• SPGNNは最小限の計算オーバーヘッドで最先端の性能を達成しており、臨床現場への導入に適している。
• 訓練およびテスト分割において一貫した性能を示したため、異なるCOPD重症度ステージにわたる一般化能力が優れていることが裏付けられた。