[論文レビュー] A new smart-cropping pipeline for prostate segmentation using deep learning networks

Dimitrios I. Zaridis, Eugenia Mylona+5 more|arXiv (Cornell University)|Jul 6, 2021

Advanced Neural Network Applications被引用数 5

ひとこと要約

この論文では、背景の優位性を軽減し、セグメンテーション精度を向上させるために、前立腺の周囲のMRI領域を自動的にクロップするディーブラーニングベースのスマートクロッピングパイプラインを提案する。標準のセンタークロッピングに代えて学習されたアダプティブクロッピングを採用することで、複数のU-NetバリアントにおいてDiceスコアが最大8.9%向上し、前立腺セグメンテーション性能に顕著な向上が得られた。

ABSTRACT

Prostate segmentation from magnetic resonance imaging (MRI) is a challenging task. In recent years, several network architectures have been proposed to automate this process and alleviate the burden of manual annotation. Although the performance of these models has achieved promising results, there is still room for improvement before these models can be used safely and effectively in clinical practice. One of the major challenges in prostate MR image segmentation is the presence of class imbalance in the image labels where the background pixels dominate over the prostate. In the present work we propose a DL-based pipeline for cropping the region around the prostate from MRI images to produce a more balanced distribution of the foreground pixels (prostate) and the background pixels and improve segmentation accuracy. The effect of DL-cropping for improving the segmentation performance compared to standard center-cropping is assessed using five popular DL networks for prostate segmentation, namely U-net, U-net+, Res Unet++, Bridge U-net and Dense U-net. The proposed smart-cropping outperformed the standard center cropping in terms of segmentation accuracy for all the evaluated prostate segmentation networks. In terms of Dice score, the highest improvement was achieved for the U-net+ and ResU-net++ architectures corresponding to 8.9% and 8%, respectively.

研究の動機と目的

• 背景ピxlsが前立腺ピxlsに比べて著しく多い、前立腺MRIセグメンテーションにおけるクラス不均衡の問題に対処すること。
• モデルが関係のない背景領域にさらされるのを減らすことで、ディーブラーニングベースの前立腺セグメンテーションを改善すること。
• ディーブラーニングを用いて前立腺周囲のMRI領域をアダプティブにクロッピングするスマートクロッピングパイプラインを開発すること。
• スマートクロッピングの影響を、複数の最先端のU-Netアーキテクチャにおいてセグメンテーション精度に評価すること。
• スマートクロッピングが、セグメンテーションタスクにおけるよりバランスの取れたフォアグラウンド・バックグラウンド分布と、より良い一般化性能をもたらすことを示すこと。

提案手法

• T2強調MRIスキャンにおける前立腺周囲の最適クロップ領域を予測するためのディーブラーニングモデルを訓練する。
• パイプラインは、標準のセンタークロッピングに代えて、学習されたアダプティブクロッピングを採用し、解剖学的関心領域に焦点を当てる。
• クロップされた領域は、U-Net、U-Net+、ResU-Net++、Bridge U-Net、Dense U-Netの5つの確立されたU-Netベースのセグメンテーションネットワークに供給される。
• この方法は、入力におけるフォアグラウンド（前立腺）ピxlsの割合を増加させ、トレーニング中のクラス不均衡を軽減することを目的としている。
• 標準のセグメンテーション指標、特にDice類似係数（DSC）を用いてモデルを評価する。
• アプローチはエンドツーエンド微分可能であり、クロッピングとセグメンテーションの共同最適化が可能である。

実験結果

リサーチクエスチョン

• RQ1 学習されたクロッピング戦略は、前立腺MRIにおける背景優位性を軽減し、セグメンテーションパフォーマンスを向上させることができるか？
• RQ2 複数のU-Netアーキテクチャにおいて、スマートクロッピングは標準のセンタークロッピングと比較してDiceスコアにどのように影響するか？
• RQ3 どのセグメンテーションネットワークがスマートクロッピングパイプラインからパフォーマンス向上の恩恵を最も受けるか？
• RQ4 提案されたパイプラインは、クロップされた領域におけるフォアグラウンド・バックグラウンド分布をよりバランスの取れたものにすることが可能か？
• RQ5 アーキテクチャの変更なしに、スマートクロッピング手法は異なるU-Netベースのアーキテクチャに一般化可能か？

主な発見

• スマートクロッピングパイプラインは、評価された5つのU-Netベースのネットワークすべてで、顕著なセグメンテーション精度の向上を実現した。
• 最も高いDiceスコアの向上はU-Net+で観察され、センタークロッピングと比較して相対的に8.9%の増加が得られた。
• ResU-Net++は、提案されたクロッピング手法を用いることで、Diceスコアが8.0%向上した。
• すべてのネットワークが一貫したパフォーマンス向上を示し、アーキテクチャを問わず本手法の強靭性が確認された。
• 本手法は、背景ピxlsの優位性を効果的に軽減し、クロップされた入力におけるフォアグラウンド・バックグラウンド分布をよりバランスの取れたものにした。
• 結果から、スマートクロッピングは、臨床的MRIにおける前立腺セグメンテーションを改善するための極めて有効な前処理ステップであると考えられる。