[論文レビュー] What is the best data augmentation approach for brain tumor segmentation using 3D U-Net?

Marco Domenico Cirillo, David Abramian+1 more|arXiv (Cornell University)|Oct 26, 2020

Advanced Neural Network Applications参考文献 11被引用数 4

ひとこと要約

本研究では、BraTS 2020 データセットを用いて、3D U-Netに基づく脳腫瘍セグメンテーションにおけるデータ拡張技術の効果を評価する。その結果、明るさの調整と弾性変形が個別に最も優れた性能を示し、両者の組み合わせによる追加の利得は観察されなかった。

ABSTRACT

Training segmentation networks requires large annotated datasets, which in medical imaging can be hard to obtain. Despite this fact, data augmentation has in our opinion not been fully explored for brain tumor segmentation (a possible explanation is that the number of training subjects (369) is rather large in the BraTS 2020 dataset). Here we apply different types of data augmentation (flipping, rotation, scaling, brightness adjustment, elastic deformation) when training a standard 3D U-Net, and demonstrate that augmentation significantly improves performance on the validation set (125 subjects) in many cases. Our conclusion is that brightness augmentation and elastic deformation works best, and that combinations of different augmentation techniques do not provide further improvement compared to only using one augmentation technique.

研究の動機と目的

• 様々なデータ拡張技術が3D U-Netの脳腫瘍セグメンテーション性能に与える影響を調査すること。
• 複数の拡張戦略を組み合わせることで、個別の手法を用いる場合よりもセグメンテーション精度が向上するかどうかを特定すること。
• データ不足の懸念がやや小さいとされる比較的大きなデータセット（369例）において、拡張の有効性を評価すること。
• 3D医療画像セグメンテーションタスクにおける最適な拡張手法の使用法について、実用的な指針を提供すること。

提案手法

• BraTS 2020 データセットを用いて、標準的な3D U-Netを脳腫瘍セグメンテーションに適用した。
• 5つの拡張手法を実装した：フリップ、回転、スケーリング、明るさ調整、弾性変形。
• 訓練セット（369例）に対して、各拡張手法を個別に適用したモデルを別々に訓練した。
• 検証セット（125例）を用いて、標準的なセグメンテーション指標でモデルの性能を評価した。
• 個別に拡張を適用したモデルと、複数の手法を組み合わせたモデルの性能を比較した。
• 検証セットの性能に基づき、最も優れた拡張戦略を選定した。

実験結果

リサーチクエスチョン

• RQ1 3D U-Netを用いた脳腫瘍セグメンテーションにおいて、どの個別のデータ拡張手法が最高のセグメンテーション性能を達成するか？
• RQ2 複数の拡張手法を組み合わせることで、単一の手法を用いる場合よりも性能が向上するか？
• RQ3 脳腫瘍セグメンテーションにおいて、比較的大きな数のアノテート済み被験者（n=369）を有するデータセットでは、標準的な拡張手法はどの程度有効か？
• RQ4 例えば弾性変形や明るさ調整のような特定の拡張タイプは、他のものよりも一貫した向上効果を示すか？

主な発見

• 明るさの調整が検証セットにおけるセグメンテーション性能の向上で最も顕著な効果を示した。
• 弾性変形も強力な性能向上をもたらし、上位の拡張手法の一つにランクされた。
• 複数の拡張手法を組み合わせた場合、単一の手法を用いる場合よりも性能が向上しなかった。
• フリップ、回転、スケーリングは、明るさ調整や弾性変形に比べて改善効果がやや限定的であった。
• 本研究では、大規模なデータセットであっても、データ拡張が3D U-Netの一般化性能を向上させる貴重なツールであることが確認された。
• 最も良い結果は、明るさ調整または弾性変形を単独で使用した場合に得られた。