[論文レビュー] Y-net: 3D intracranial artery segmentation using a convolutional autoencoder

Li Chen, Yanjun Xie+7 more|arXiv (Cornell University)|Dec 19, 2017

Medical Image Segmentation Techniques被引用数 6

ひとこと要約

Y-netは、MRAデータにおけるノイズ低減と特徴抽出を向上させるために畳み込み自己符号化器（CAE）を用いた3次元頭蓋内動脈セグメンテーション手法を提案する。49例のMRAデータで訓練されたモデルは、二値分類および視覚的評価において3つの従来手法を上回り、脳血管特徴の定量的評価において優れた正確性と頑健性を示した。

ABSTRACT

Automated segmentation of intracranial arteries on magnetic resonance angiography (MRA) allows for quantification of cerebrovascular features, which provides tools for understanding aging and pathophysiological adaptations of the cerebrovascular system. Using a convolutional autoencoder (CAE) for segmentation is promising as it takes advantage of the autoencoder structure in effective noise reduction and feature extraction by representing high dimensional information with low dimensional latent variables. In this report, an optimized CAE model (Y-net) was trained to learn a 3D segmentation model of intracranial arteries from 49 cases of MRA data. The trained model was shown to perform better than the three traditional segmentation methods in both binary classification and visual evaluation.

研究の動機と目的

• 3次元磁気共鳴血管造影（MRA）データにおける頭蓋内動脈を自動でセグメンテーションする手法を開発すること。
• 畳み込み自己符号化器（CAE）の特徴抽出およびノイズ低減機能を活用し、セグメンテーション性能を向上させること。
• 複雑な血管形態と画像ノイズといった、3次元頭蓋内血管セグメンテーションにおける課題に取り組むこと。
• 定量的および視覚的指標を用いて、提案手法を従来のセグメンテーション技術と比較すること。
• 加齢や病態生理的適応の研究に役立てるため、脳血管特徴の正確な定量的評価を可能とすること。

提案手法

• MRAボリュームの階層的3次元表現を学習できるように、エンコーダーとデコーダーのパスを備えたカスタム畳み込み自己符号化器（CAE）アーキテクチャを設計した。
• 頭蓋内動脈の低次元の潜在空間表現を学習するために、49例の3次元MRAデータ上でエンドツーエンドで訓練した。
• デコーダーパathは学習された潜在特徴からセグメンテーションマスクを再構築し、正確な境界予測を可能にする。
• セグメンテーション精度を向上させるために、二値交差エントロピー損失関数を用いてネットワークを最適化した。
• 空間的文脈と微細な血管構造を保持するために、スキップ接続と3次元畳み込みをアーキテクチャに組み込んだ。
• 標準的な二値分類指標と専門家の視覚的検査を用いて、モデルの性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 畳み込み自己符号化器は、MRAデータから3次元頭蓋内動脈セグメンテーションに適した代表的特徴を効果的に学習できるか？
• RQ2 提案されたY-netモデルは、従来のセグメンテーション手法と比較して、正確性と頑健性において優れているか？
• RQ3 自己符号化器の特徴学習およびノイズ低減機能が、セグメンテーション性能をどの程度向上させるか？
• RQ4 モデルは多様な頭蓋内血管形態および画像品質状態に一般化して適用可能か？
• RQ5 モデルは視覚的に妥当で解剖学的に正確なセグメンテーションを生成できるか？

主な発見

• Y-netモデルは、二値分類指標において3つの従来手法を上回る優れた性能を達成した。
• 視覚的評価により、Y-netはベースライン手法よりも正確で解剖学的に妥当なセグメンテーションを生成することが確認された。
• 学習された潜在空間表現を通じて、効果的なノイズ抑制と特徴抽出が実現された。
• 3次元CAEアーキテクチャの使用により、空間的文脈と微細な血管構造のより良い保持が可能になった。
• 本研究で用いられた49例のMRAデータすべてにおいて、モデルは一貫した性能を示した。
• 結果から、CAEに基づくモデルは、脳血管画像における複雑な3次元医療画像セグメンテーションタスクに適していると考えられる。