[論文レビュー] Tversky loss function for image segmentation using 3D fully convolutional deep networks

Seyed Sadegh Mohseni Salehi, Deniz Erdoğmuş+1 more|arXiv (Cornell University)|Jun 18, 2017

AI in cancer detection被引用数 27

ひとこと要約

本論文では、多重側索硬化症の病変検出など、著しく不均衡な医療画像データにおける画像セグメンテーションの性能向上を目的として、3次元完全畳み込みネットワークにおけるTversky損失関数を提案する。Tversky係数のハイパーパrameterを再調整し、再現率を適合精度よりも優先することで、標準的なDice損失と比較して、F₂スコア、Dice係数、および精度-再現率曲線下積分（AUPRC）が著しく向上した。β=0.7が最適な性能を示した。

ABSTRACT

Fully convolutional deep neural networks carry out excellent potential for fast and accurate image segmentation. One of the main challenges in training these networks is data imbalance, which is particularly problematic in medical imaging applications such as lesion segmentation where the number of lesion voxels is often much lower than the number of non-lesion voxels. Training with unbalanced data can lead to predictions that are severely biased towards high precision but low recall (sensitivity), which is undesired especially in medical applications where false negatives are much less tolerable than false positives. Several methods have been proposed to deal with this problem including balanced sampling, two step training, sample re-weighting, and similarity loss functions. In this paper, we propose a generalized loss function based on the Tversky index to address the issue of data imbalance and achieve much better trade-off between precision and recall in training 3D fully convolutional deep neural networks. Experimental results in multiple sclerosis lesion segmentation on magnetic resonance images show improved F2 score, Dice coefficient, and the area under the precision-recall curve in test data. Based on these results we suggest Tversky loss function as a generalized framework to effectively train deep neural networks.

研究の動機と目的

• 医療画像セグメンテーションにおけるデータの不均衡、特に病変ボクセルが非病変ボクセルに比べて著しく少ない状況に対処すること。
• 深層学習ベースのセグメンテーションにおける適合率と再現率のトレードオフを改善し、特に偽陰性を減らすために再現率を優先すること。
• 多重側索硬化症の病変セグメンテーションのような極めて不均衡な状況において、標準的なDice損失を上回る一般化された損失関数の開発。
• 実MRIデータ上での3次元完全畳み込みU-netアーキテクチャを用いたTversky損失の有効性の検証。

提案手法

• Tversky係数に基づくTversky損失関数を提案。これは、Dice係数とFβスコアの一般化であり、適合率と再現率のバランスを取るために用いる。
• クラスの不均衡に配慮したエンドツーエンド学習を可能にするために、Tversky損失層を3次元U-netアーキテクチャに統合。
• ハイパーパrameter α と β を用いて、誤検出（FP）と誤未検出（FN）に対するペナルティを制御。βを大きくすることで、FNに対する感受性が向上する。
• 高解像度の局所的特徴と低解像度のグローバル特徴を組み合わせるため、スキップ接続を備えた3次元完全畳み込みネットワークを採用。
• α と β の異なる値を用いてTversky損失を学習し、セグメンテーション性能に与える影響を評価。
• Dice類似係数（DSC）、F₂スコア、精度-再現率曲線下積分（APR）、感度・特異度といった標準指標を用いて性能を評価。

実験結果

リサーチクエスチョン

• RQ1 標準的なDice損失と比較して、Tversky損失関数は極めて不均衡な医療画像データにおけるセグメンテーション性能を向上させることができるか？
• RQ2 Tversky係数におけるハイパーパrameter α と β は、病変セグメンテーションにおける適合率-再現率トレードオフにどのように影響を与えるか？
• RQ3 β=0.7でTversky損失を使用することで、小さなまたは希な病変の検出における一般化性能と感度が向上するか？
• RQ4 Tversky損失は、不均衡データセットにおける精度-再現率曲線下積分（APR）の向上において、Dice損失よりも効果的か？
• RQ5 Tversky損失は、極めてクラス不均衡が顕著な医療画像セグメンテーションタスクにおける深層ネットワーク学習の一般化フレームワークとして使用可能か？

主な発見

• β=0.7でTversky損失関数を用いた場合、F₂スコアが57.32に達し、標準的なDice損失（β=0.5）の51.77と比較して顕著に優れた性能を示した。
• β=0.7でTversky損失を用いた場合、Dice係数は56.42を記録した。これは、標準的なDice損失の53.42と比較して、正解ラベルとの重複度が向上したことを示している。
• β=0.7で精度-再現率曲線下積分（APR）は56.04に達し、全テスト設定の中で最高値を記録。不均衡データにおける優れた性能が裏付けられた。
• β=0.7で感度（再現率）は56.85%に達し、標準的なDice損失で得られた49.85%と比較して顕著な向上を示した。これは、病変の検出能が向上したことを示している。
• β=0.7でTversky損失を用いて学習したネットワークは、Dice損失モデルが完全に失敗した低密度症例においても病変を正しく検出できた。
• 結果から、βの調整により、臨床応用において偽陰性がより深刻な影響を及える状況において、再現率を優先したモデルの微調整が可能であることが示された。