[論文レビュー] Towards Clinical Diagnosis: Automated Stroke Lesion Segmentation on Multimodal MR Image Using Convolutional Neural Network

Zhiyang Liu, Chen Cao+4 more|arXiv (Cornell University)|Mar 5, 2018

Brain Tumor Detection and Classification参考文献 16被引用数 3

ひとこと要約

本稿では、穴あき畳み込み（atrous convolution）とグローバル畳み込みネットワーク（global convolution networks）を組み合わせた残差構造を有する完全畳み込みネットワーク（Res-FCN）を提案し、多モodal MR画像（DWI、ADC、T2WI）から虚血性ストローク病変を自動でセグメンテーションすることを目的としている。この手法は平均Dice係数0.645を達成し、1患者あたりの誤って検出されない病変数がたった1.515個にとどまり、放射線科医レベルの性能に近づいている。これは、脳卒中診断における臨床的導入に極めて適している。

ABSTRACT

The patient with ischemic stroke can benefit most from the earliest possible definitive diagnosis. While the high quality medical resources are quite scarce across the globe, an automated diagnostic tool is expected in analyzing the magnetic resonance (MR) images to provide reference in clinical diagnosis. In this paper, we propose a deep learning method to automatically segment ischemic stroke lesions from multi-modal MR images. By using atrous convolution and global convolution network, our proposed residual-structured fully convolutional network (Res-FCN) is able to capture features from large receptive fields. The network architecture is validated on a large dataset of 212 clinically acquired multi-modal MR images, which is shown to achieve a mean dice coefficient of 0.645 with a mean number of false negative lesions of 1.515. The false negatives can reach a value that close to a common medical image doctor, making it exceptive for a real clinical application.

研究の動機と目的

• 多モダリティMRIにおける虚血性ストローク病変のセグメンテーションのための、自動的かつ高精度で臨床的実用性のある手法を開発すること。
• 患者やスキャナの違いによる病変の外観の多様性と、限られたトレーニングデータの課題に対処すること。
• 急性脳卒中における誤診を回避するため、誤って検出されない病変（false negatives）の低減を図ること。
• DWI、ADC、T2WIの多モダリティMRIを活用し、病変検出性能の向上とアーチファクトの低減を実現すること。
• 特に誤って検出されない病変の低減に注目し、専門放射線科医と同等の病変セグメンテーション性能を達成すること。

提案手法

• 提案されたRes-FCNは、残差学習を用いて非常に深い完全畳み込みネットワークを訓練し、勾配の流れを改善し、学習の安定性を向上させる。
• 穴あき畳み込みを採用することで、パラメータ数を増加させず、解像度を落とさずに受容 field を拡大する。
• グローバル畳み込みネットワーク（GCN）を統合し、画像全体にわたる長距離の文脈的依存関係を捉える。
• 212例の臨床的収集済みの多モダリティMR画像（DWI、ADC、T2WI）のデータセット上で、エンドツーエンドにネットワークを訓練する。
• 誤検出と誤って検出されない病変のバランスを取るために、しきい値最適化戦略を適用し、Dice係数および誤検出数（FP/FN）を用いて性能を評価する。
• 36例のテストセットを用いて、EDD-NetおよびU-Netと比較し、標準的な指標を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのセグメンテーションモデルは、多モダリティMRI上での虚血性ストローク病変検出において、高い精度と低い誤って検出されない病 lesion 率を達成できるか？
• RQ2 穴あき畳み込みとグローバル畳み込み層の統合は、データが少ない状況下での病変セグメンテーションをどのように改善するか？
• RQ3 単一モード入力と比較して、DWI、ADC、T2WIの多モダリティMRIを用いることで、アーチファクト低減と検出性能向上にどの程度寄与するか？
• RQ4 EDD-Net や U-Net といった最先端モデルと比較して、提案されたRes-FCNは誤検出と誤って検出されない病変のトレードオフにおいて、どのように優れているか？
• RQ5 誤って検出されない病変の検出において、モデルの性能は臨床的放射線科医の水準に近づけるか？

主な発見

• 提案されたRes-FCNは、テストデータセット上で平均Dice係数0.645を達成し、EDD-Net（0.644）およびU-Net（0.557）を上回った。
• 平均して1患者あたりの誤って検出されない病変数は1.515個にとどまり、典型的な臨床的放射線科医の性能に近づいた。
• しきい値δ=1の条件下で、Res-FCNはDice係数0.658を達成し、1患者あたりの誤検出数は2.485、誤って検出されない病変数は1.866にとどまった。
• Res-FCNは、類似した誤って検出されない病 lesion 数の水準で、EDD-Netと比較して誤検出数を約2件低減する優れたFN-FPトレードオフを示した。
• DWI、ADC、T2WIの多モダリティMRIの使用により、単一シーケンス手法と比較して、病変検出の正確性が著しく向上し、アーチファクトも低減された。
• 限られたトレーニングデータにもかかわらず、多様な患者スキャンに対してモデルの性能が安定しており、優れた一般化能力を示した。