[論文レビュー] VoteNet: A Deep Learning Label Fusion Method for Multi-Atlas Segmentation

Zhipeng Ding, Xu Han+1 more|arXiv (Cornell University)|Apr 18, 2019

Advanced Neural Network Applications参考文献 14被引用数 7

ひとこと要約

VoteNetは、3次元脳MRI分割において最先端の性能を達成する、深層学習に基づくラベル融合手法である。この手法は、各ボクセルごとに局所的に信頼できるアトラスを特定する二値マスク予測ネットワークを用い、信頼できるアトラスに限って多数決投票を実行する。従来のラベル融合手法やU-Netを上回り、空間的一致性を保ちながら、深層学習ベースの登録により高速な推論を実現する。

ABSTRACT

Deep learning (DL) approaches are state-of-the-art for many medical image segmentation tasks. They offer a number of advantages: they can be trained for specific tasks, computations are fast at test time, and segmentation quality is typically high. In contrast, previously popular multi-atlas segmentation (MAS) methods are relatively slow (as they rely on costly registrations) and even though sophisticated label fusion strategies have been proposed, DL approaches generally outperform MAS. In this work, we propose a DL-based label fusion strategy (VoteNet) which locally selects a set of reliable atlases whose labels are then fused via plurality voting. Experiments on 3D brain MRI data show that by selecting a good initial atlas set MAS with VoteNet significantly outperforms a number of other label fusion strategies as well as a direct DL segmentation approach. We also provide an experimental analysis of the upper performance bound achievable by our method. While unlikely achievable in practice, this bound suggests room for further performance improvements. Lastly, to address the runtime disadvantage of standard MAS, all our results make use of a fast DL registration approach.

研究の動機と目的

• 従来の多アトラスセグメンテーション（MAS）の限界、すなわち高コストな登録による遅さと、ラベル融合における空間的一致性の欠如を解決すること。
• 全アトラスに依存するのではなく、各ボクセルに対して信頼できるアトラスを局所的に学習して選択することで、ラベル融合の性能を向上させること。
• MASの空間的一致性の利点と深層学習の長所を組み合わせ、高い精度と高速な推論を達成すること。
• 提案手法の性能上限を実証的に評価し、今後の改善の余地を特定すること。
• VoteNetとU-Netをハイブリッドに組み合わせることで、VoteNetが拒否するボクセル（脳ボクセルの約7.5％）の欠落ラベルを補完できることを示すこと。

提案手法

• VoteNetは、ターゲット画像とアフィン変換済みアトラス画像を入力として、各アトラスについてそのアトラスが各ボクセルで局所的に信頼できるかどうかを示す二値マスクを予測する深層ニューラルネットワークである。
• 空間的詳細を保持し、信頼できるアトラス寄与の正確な局所化を可能にするために、スキップ接続を備えたU-Netに類似したエンコーダ・デコーダアーキテクチャを採用している。
• 各ボクセルに対して、VoteNetは各アトラスごとの信頼度スコアを出力し、高い信頼度を持つアトラスのみを最終的な多数決投票に含める。
• 信頼できると判断されたアトラスのみを用いてラベル融合を実行することで、ずれたり不正確だったりするアトラスの影響を低減する。
• 従来の登録法と比較して実行時間を著しく短縮する、深層学習ベースの可変変形登録（Quicksilver）を用いて、すべてのアトラスをターゲット画像空間に変形する。
• VoteNetが拒否するボクセル（約7.5％）を補完するため、VoteNet+U-Netのハイブリッド戦略を提案する。

実験結果

リサーチクエスチョン

• RQ1 局所的に信頼できるアトラスを自動選択する深層学習ベースのラベル融合手法が、グローバルまたはパッチベースの統合戦略を上回る性能を発揮できるか？
• RQ2 このような選択的統合戦略は、標準的なU-Netと比較して、より高いセグメンテーション精度と空間的一致性を達成できるか、かつ高速な推論を維持できるか？
• RQ3 提案されたVoteNet手法の理論的性能上限は何か？ また、現在の結果からどれほど離れているか？
• RQ4 VoteNetとU-Netを組み合わせることで、VoteNetの拒否ボクセル処理の限界を補完し、性能を向上させられるか？
• RQ5 Diceスコア、表面距離、形状保持性の観点から、VoteNetの性能は多数決投票や他のラベル融合手法と比べてどうか？

主な発見

• LPBA40データセットにおいて、VoteNetは従来の多数決投票や他のラベル融合戦略を著しく上回り、より高いDiceスコアと優れた表面精度を達成した。
• 局所的アトラス選択において、VoteNetはボリュームDiceスコア0.86を達成し、正解の信頼できるアトラス予測と強い一致を示した。
• ハイブリッドVoteNet+U-Net戦略は、VoteNetとU-Netの個別性能を上回り、選択的統合と深層学習セグメンテーションの利点を組み合わせた効果を示した。
• VoteNetは、誤ったラベルを寄与させるアトラスをフィルタリングすることで、ラベル統合における真正陽性の再現率を向上させたことが、再現率マップの比較で示された。
• 多数決投票とは異なり、VoteNetは皮質の折りたたみ構造をよりよく保持しており、滑らかにされてしまうのを防いだ。また、形状歪みを示すU-Netよりも優れた形状的一致性を維持した。
• 実証的上限解析により、現在のVoteNetの性能と理論的オラクル性能との間には大きなギャップがあることが判明し、今後の改善の余地が著しくあることが示された。