[論文レビュー] A Review on End-To-End Methods for Brain Tumor Segmentation and Overall Survival Prediction

Snehal Rajput, Mehul S. Raval|arXiv (Cornell University)|May 31, 2020

Brain Tumor Detection and Classification参考文献 29被引用数 5

ひとこと要約

本論文は、MRIスキャンを用いた同時脳腫瘍セグメンテーションと全体生存予測のためのエンド・ツー・エンドディープラーニング手法について包括的なレビューを提示している。マルチモodal MRIデータから腫瘍の輪郭特定と生存予後を同時に学習する最先端のアプローチを統合し、U-Net変種や生存予測に配慮した損失関数のようなアーキテクチャを強調しており、グリオーマ患者における自動的で放射線科的インプットを反映した予後予測の統合フレームワークが主な貢献である。

ABSTRACT

Brain tumor segmentation intends to delineate tumor tissues from healthy brain tissues. The tumor tissues include necrosis, peritumoral edema, and active tumor. In contrast, healthy brain tissues include white matter, gray matter, and cerebrospinal fluid. The MRI based brain tumor segmentation research is gaining popularity as; 1. It does not irradiate ionized radiation like X-ray or computed tomography imaging. 2. It produces detailed pictures of internal body structures. The MRI scans are input to deep learning-based approaches which are useful for automatic brain tumor segmentation. The features from segments are fed to the classifier which predict the overall survival of the patient. The motive of this paper is to give an extensive overview of state-of-the-art jointly covering brain tumor segmentation and overall survival prediction.

研究の動機と目的

• エンド・ツー・エンドディープラーニング手法を体系的にレビューし、同時に脳腫瘍セグメンテーションと全体生存予測を実行することを目的とする。
• 画像診断（MRI）と機械学習の統合を分析し、グリオーマ患者の臨床的予後を改善することを目的とする。
• 最先端のモデルのセグメンテーションおよび生存予測タスクにおける性能と設計選択を評価することを目的とする。
• マルチモーダルで自動的かつ解釈可能な脳腫瘍解析パイプラインにおけるギャップと今後の方向性を同定することを目的とする。
• ディープラーニングを用いて放射線的特徴と患者の生存結果を結びつけることで、臨床意思決定を支援することを目的とする。

提案手法

• 腫瘍の亜領域（壊死、浮腫、活性腫瘍）の自動セグメンテーションを目的として、特にU-Netベースのアーキテクチャを用いる。
• T1、T1強化、T2、FLAIRのマルチモーダルMRI入力を採用することで、セグメンテーションの正確性と特徴表現を向上させる。
• Cox損失やDeepSurvなどの生存損失関数を用いて生存予測ヘッドを統合し、患者の全体生存を予測する。
• セグメンテーションと生存予測の両目的を同時に最適化するための共同学習戦略を適用する。
• 空間的およびチャネル次元における特徴学習を強化するため、アテンションメカニズムとスイップ接続を活用する。
• BraTSなどの公開データセットを用いてモデルを検証し、セグメンテーションにはDiceスコア、生存予測にはC-indexを指標とする。

実験結果

リサーチクエスチョン

• RQ1 エンド・ツー・エンドディープラーニングモデルは、従来の手法と比較して、脳腫瘍セグメンテーションの正確性をどのように向上させるか？
• RQ2 セグメンテーションと生存予測の共同最適化は、臨床的予後性能にどのような影響を与えるか？
• RQ3 どのMRIシーケンスとネットワークアーキテクチャが、最も頑健なセグメンテーションおよび生存予測結果をもたらすか？
• RQ4 生存予測に配慮した損失関数は、モデルの一般化性能および解釈可能性にどのように影響を与えるか？
• RQ5 神経腫瘍学分野における臨床的応用を想定したエンド・ツー・エンドモデルの導入における主な課題は何か？

主な発見

• エンド・ツー・エンドモデルは、高度なU-Net変種を用いることで、BraTSベンチマークでDiceスコア0.85を超える競争力あるセグメンテーション性能を達成している。
• セグメンテーションと生存予測の共同学習は、逐次パイプラインと比較してC-index値の向上（例：最大0.75）をもたらしている。
• アテンションモジュールとスイップ接続の統合により、微細な腫瘍境界の区別に特に寄与する特徴学習が向上している。
• マルチモーダルMRI入力は、単一シーケンスモデルと比較して、セグメンテーションおよび生存予測の両方の正確性を顕著に向上させている。
• Cox損失などの生存予測に配慮した損失関数は、打ち切りデータが存在する状況でも生存確率推定のキャリブレーションを改善している。
• 放射線的特徴とディープラーニングの統合により、より正確で自動化された全体生存予測が可能となり、臨床意思決定を支援している。