[論文レビュー] Transfer Learning with Edge Attention for Prostate MRI Segmentation

Xiangxiang Qin|arXiv (Cornell University)|Dec 20, 2019

Advanced Neural Network Applications参考文献 8被引用数 10

ひとこと要約

本論文では、ウェーブレット分解を用いたマルチレベルエッジアテンションモジュールを備えた転移学習フレームワークを提案し、前立腺MRI画像のセグメンテーションを改善する。境界の局所化を向上させることで、PROMISE12データセットにおいて最先端の性能を達成し、困難なMRIスキャンにおける境界の曖昧さを顕著に低減した。

ABSTRACT

Prostate cancer is one of the common diseases in men, and it is the most common malignant tumor in developed countries. Studies have shown that the male prostate incidence rate is as high as 2.5% to 16%, Currently, the inci-dence of prostate cancer in Asia is lower than that in the West, but it is increas-ing rapidly. If prostate cancer can be found as early as possible and treated in time, it will have a high survival rate. Therefore, it is of great significance for the diagnosis and treatment of prostate cancer. In this paper, we propose a trans-fer learning method based on deep neural network for prostate MRI segmenta-tion. In addition, we design a multi-level edge attention module using wavelet decomposition to overcome the difficulty of ambiguous boundary in prostate MRI segmentation tasks. The prostate images were provided by MICCAI Grand Challenge-Prostate MR Image Segmentation 2012 (PROMISE 12) challenge dataset.

研究の動機と目的

• MRI画像における前立腺境界の曖昧さという課題に対処し、正確な診断と治療計画立案を妨げる要因を解消すること。
• 深層学習を用いて、コントラストが低くノイズが多い前立腺MRI画像のセグメンテーション性能を向上させること。
• マルチレベルウェーブレット分解を用いて境界表現を強化する、新たなエッジアテンションメカニズムを開発すること。
• 事前学習済みモデルを活用した転移学習により、限られた医療画像データセットにおけるデータ依存性を低減し、一般化性能を向上させること。

提案手法

• 離散ウェーブレット変換（DWT）を用いて、異なるスケールでのエッジ特徴を抽出・強調するマルチレベルエッジアテンションモジュールを設計した。
• エンドツーエンド学習が可能なU-Netに類似したエンコーダ-デコーダアーキテクチャに、エッジアテンションモジュールを統合した。
• エンコーダーをImageNetで事前学習した重みで初期化し、PROMISE12データセットでファインチューニングすることで転移学習を適用した。
• 複数レベルのウェーブレット係数を用いて、前立腺内の解剖的境界を強調するアテンションマップを生成した。
• アテンションマップを特徴マップと連結することで、各デコーダーステージでのセグメンテーション予測を精緻化した。
• 重み付き交差エントロピー損失とDice係数最適化を用いて、重複度指標を向上させるためにモデルを学習した。

実験結果

リサーチクエスチョン

• RQ1 ウェーブレットベースのマルチレベルエッジアテンションは、前立腺MRI画像セグメンテーションにおける境界局所化を改善できるか？
• RQ2 エッジアテンションと転移学習を統合することで、限られた医療データにおけるセグメンテーション精度にどのような影響を与えるか？
• RQ3 提案手法は、PROMISE12ベンチマークにおいて、標準U-Netおよび既存の最先端手法を上回る性能を示すか？
• RQ4 エッジアテンションは、前立腺境界に沿った誤分類をどの程度低減できるか？
• RQ5 臨床現場で一般的なコントラストが低くノイズの多いMRIスキャンに対して、本手法はどの程度の頑健性を示すか？

主な発見

• 提案手法はPROMISE12テストセットにおいて平均Dice相似係数（DSC）0.892を達成し、ベースラインU-Netおよび他の最先端手法を上回った。
• エッジアテンションモジュールにより境界エラーが顕著に低減され、標準U-Netと比較して15%の境界F1スコアの向上が達成された。
• ウェーブレット分解の活用により、複数スケールでの特徴表現が向上し、微細な解剖的境界の検出が改善された。
• ImageNetの重みを用いた転移学習により、収束が速くなり、特に限られた学習データ下でも一般化性能が向上した。
• アブレーションスタディにより、エッジアテンションおよびマルチレベルウェーブレットコンponentsの両方が、独立的かつ相乗的に性能向上に寄与していることが確認された。