[論文レビュー] 3D Dilated Multi-Fiber Network for Real-time Brain Tumor Segmentation in MRI

Chen Chen, Xiaopeng Liu+3 more|arXiv (Cornell University)|Apr 6, 2019

Advanced Neural Network Applications参考文献 17被引用数 8

ひとこと要約

本稿では、マルチファイバー素子とグループ化3D畳み込み、および学習可能な重み付き3D拡張畳み込みを活用して、マルチスケール特徴を効率的に捉えることで、リアルタイムなMRI内脳腫瘍セグメンテーションを実現する軽量な3D拡張マルチファイバーネットワーク（DMFNet）を提案する。モデルは、パrameter数が388万、FLOPsが27Gにとどまり、GPU上で0.019秒の推論時間で動作し、BraTS-2018で最先端のDiceスコア（強化腫瘍：80.12％、全腫瘍：90.62％、腫瘍コア：84.54％）を達成した。

ABSTRACT

Brain tumor segmentation plays a pivotal role in medical image processing. In this work, we aim to segment brain MRI volumes. 3D convolution neural networks (CNN) such as 3D U-Net and V-Net employing 3D convolutions to capture the correlation between adjacent slices have achieved impressive segmentation results. However, these 3D CNN architectures come with high computational overheads due to multiple layers of 3D convolutions, which may make these models prohibitive for practical large-scale applications. To this end, we propose a highly efficient 3D CNN to achieve real-time dense volumetric segmentation. The network leverages the 3D multi-fiber unit which consists of an ensemble of lightweight 3D convolutional networks to significantly reduce the computational cost. Moreover, 3D dilated convolutions are used to build multi-scale feature representations. Extensive experimental results on the BraTS-2018 challenge dataset show that the proposed architecture greatly reduces computation cost while maintaining high accuracy for brain tumor segmentation. The source code can be found at https://github.com/China-LiuXiaopeng/BraTS-DMFNet

研究の動機と目的

• ボリュメトリックな脳腫瘍セグメンテーションにおける3D CNNの高い計算コストを軽減すること、特に大規模な臨床応用を念頭に置いたもの。
• 3D畳み込みネットワークのパrameter数とFLOPsを削減することで、セグメンテーション精度を損なわずモデル効率を向上させること。
• グループ化畳み込みとマルチスケール受容場の組み合わせた新規アーキテクチャを用いて、3D MRIセグメンテーションにおけるリアルタイム推論を可能にすること。
• 学習可能な重み付き3D拡張畳み込みを用いて、複数スケールでの関連するコンテキストを動的に選択することで、特徴表現を強化すること。

提案手法

• 提案されたDMFNetは、チャネルをグループに分割することで、グループ畳み込みによりパラメータ数とFLOPsを削減しつつ、グループ間の情報伝達を維持する3Dマルチファイバー素子を採用している。
• 各マルチファイバー素子は、異なる拡張率（例：1、2、3）を持つ3D拡張畳み込みを統合し、3D MRIボリューム内のマルチスケールコンテキスト特徴を捉える。
• 拡張畳み込みブランチの出力に、学習可能な適応的重み付け機構を適用することで、学習中に有用な受容場を動的に強調できるようにしている。
• 空間的詳細を保持するため、U-Netに類似したエンコーダ・デコーダアーキテクチャにスキップ接続を組み込んだ。
• データオーグメンテーションを用いて耐性を高めるために、BraTS-2018データセット上で標準的な交差エントロピー損失とDice損失を用いて、エンドツーエンドでモデルを訓練した。

実験結果

リサーチクエスチョン

• RQ1 3D CNNアーキテクチャは、高い精度を維持しつつ、MRI内脳腫瘍セグメンテーションにおけるリアルタイム推論を達成できるか？
• RQ2 マルチファイバー素子と3D拡張畳み込みの組み合わせは、性能を劣化させることなく計算コストを低減できるか？
• RQ3 等しい重み付けと比較して、拡張畳み込みブランチに学習可能な重み付け戦略を適用することで、セグメンテーション精度が向上するか？
• RQ4 3D U-Net や NVDLMED といった最先端モデルと比較して、提案されたDMFNetは効率性と精度の両面で優れているか？

主な発見

• DMFNetは、BraTS-2018の検証セットで、強化腫瘍（ET）に対して80.12％、全腫瘍（WT）に対して90.62％、腫瘍コア（TC）に対して84.54％のDiceスコアを達成した。
• 最先端のNVDLMEDモデル（4006万パラメータ、1495.53G FLOPs）と比較して、FLOPsを約50倍、パラメータ数を10倍削減した。
• 単一のNVIDIA 1080Ti GPU上での推論時間は0.019秒、CPU上では20.6秒であり、リアルタイム臨床応用が可能である。
• アブレーションスタディの結果、等しい重み付けと比較して、学習可能な重み付け方式によりETで1.15％、WTで0.09％のDiceスコア向上が確認された。
• ネットワークは、深い層においてより大きな受容場（拡張率3）に高い注目を向けることが明らかになった。これは、スケールに適応した特徴学習が効果的に行われていることを示している。