[論文レビュー] Automatic Brain Tumor Segmentation with Scale Attention Network

Yading Yuan|arXiv (Cornell University)|Nov 6, 2020

Advanced Neural Network Applications参考文献 20被引用数 6

ひとこと要約

本論文は、マルチモodal 3D MRIにおける脳腫瘍の自動セグメンテーションのためのスケールアテンションネットワーク（SA-Net）を提案する。標準のU-Netスイープ接続に代わり、フルスケールスイープ接続を採用し、スケール間の特徴量を適応的に重み付けするアテンションメカニズムを統合している。この手法は、BraTS 2020チャレンジで全腫瘍に対して0.8828の平均DSC、腫瘍コアに対して0.8433、強化腫瘍に対して0.8177を記録し、3位の順位を獲得した。

ABSTRACT

Automatic segmentation of brain tumors is an essential but challenging step for extracting quantitative imaging biomarkers for accurate tumor detection, diagnosis, prognosis, treatment planning and assessment. Multimodal Brain Tumor Segmentation Challenge 2020 (BraTS 2020) provides a common platform for comparing different automatic algorithms on multi-parametric Magnetic Resonance Imaging (mpMRI) in tasks of 1) Brain tumor segmentation MRI scans; 2) Prediction of patient overall survival (OS) from pre-operative MRI scans; 3) Distinction of true tumor recurrence from treatment related effects and 4) Evaluation of uncertainty measures in segmentation. We participate the image segmentation challenge by developing a fully automatic segmentation network based on encoder-decoder architecture. In order to better integrate information across different scales, we propose a dynamic scale attention mechanism that incorporates low-level details with high-level semantics from feature maps at different scales. Our framework was trained using the 369 challenge training cases provided by BraTS 2020, and achieved an average Dice Similarity Coefficient (DSC) of 0.8828, 0.8433 and 0.8177, as well as 95% Hausdorff distance (in millimeter) of 5.2176, 17.9697 and 13.4298 on 166 testing cases for whole tumor, tumor core and enhanced tumor, respectively, which ranked itself as the 3rd place among 693 registrations in the BraTS 2020 challenge.

研究の動機と目的

• マルチモダリティ3D MRIスキャンにおける脳腫瘍の正確な自動セグメンテーションに取り組むこと。これは診断、予後予測、治療計画において重要である。
• 標準のU-Netアーキテクチャの制限を克服すること。特に、同じスケールに限定された特徴量統合により、マルチスケール情報が十分に活用されていない点を改善する。
• スケールごとのスイープ接続をフルスケールスイープ接続に置き換えることで、低レベルの詳細と高レベルの意味情報をすべてのスケールにわたって統合し、特徴量統合を強化する。
• アテンションメカニズムを導入することで、重要な特徴量スケールを適応的に強調し、関連性の低いスケールを抑制することで、モデルのロバスト性と性能を向上させる。
• 限られたGPUリソース下でも効率的な学習が可能であり、パrameter数を削減した状態で最先端のセグメンテーション性能を達成すること。

提案手法

• 提案されたSA-Netは、エンコーダーとデコーダーの構造を持ち、エンコーダー内の全スケールの特徴マップを対応するデコーダー層に接続するフルスケールスイープ接続を採用し、スケール間の特徴量統合を可能にしている。
• スケールアテンションブロックを導入し、残差ブロック内での圧縮・拡張機構（squeeze-and-excitation）を用いて、各スケールの特徴量チャネルに対する注意重みを学習することで、スケールごとの寄与度を動的に調整する。
• 3D畳み込みとバッチ正則化を用いた残差学習により、学習の安定性と勾配の流れを向上させている。
• 369例のBraTS 2020トレーニングデータに対して、Dice損失と交差エントロピー損失の組み合わせを用いてエンドツーエンドで学習を行い、ランダムな強度スケーリングによるデータオーグメンテーションも実施している。
• 推論時には、128×128×128のサイズの8つの重複するパッチをスライディングウィンドウ戦略で適用し、重複領域では出力を平均化した後、閾値0.5で二値マスクを生成する。
• バリデーションおよびテストセットでの汎化性と最終的な性能を向上させるために、5-foldクロスバリデーションおよび全トレーニングセットから選択された11モデルのアンサンブルを用いた。

実験結果

リサーチクエスチョン

• RQ1 U-Netにおける標準的なスケールごとのスイープ接続と比較して、すべてのスケールにわたる特徴量統合を実現するフルスケールスイープ接続は、脳腫瘍セグメンテーションの精度を向上させるか？
• RQ2 特徴量スケールを適応的に重み付けするアテンションメカニズムの統合は、腫瘍セグメンテーションにおける性能とロバスト性を向上させるか？
• RQ3 提案されたSA-Netは、標準のU-Netと比較して、パrameter数を減らし、計算コストも低減しつつ高い性能を達成できるか？
• RQ4 BraTS 2020チャレンジの未観測テストデータに対して、モデルはどの程度一般化できるか。特にDSCとハウスドルフ距離の観点から評価する。
• RQ5 モデルアンサンブルは、BraTS 2020のバリデーションおよびテストセットにおけるセグメンテーション性能をどの程度向上させるか？

主な発見

• SA-Netは、BraTS 2020テストセットにおいて、全腫瘍で0.8828の平均Dice類似係数（DSC）、腫瘍コアで0.8433、強化腫瘍で0.8177を達成し、693件の提出中3位となった。
• 11モデルのアンサンブルにより、全腫瘍の95%ハウスドルフ距離が5.2176 mmに、腫瘍コアが17.9697 mmに、強化腫瘍が13.4298 mmにまで短縮され、境界の局所化精度が向上した。
• トレーニングセットでの5-foldクロスバリデーションにおいて、スケールごとのスイープ接続を有するベースラインU-Netと比較して、SA-Netは全腫瘍領域で平均DSCを1.47%向上させた。
• SA-Netは、パラメータ数をU-Netの1780万個から1650万個に削減し、パrameter効率の向上を示した。
• アテンションメカニズムにより、特徴量スケールの適応的重み付けが可能となり、より情報量の多い特徴量を強調し、関連性の低い特徴量を抑制することができ、汎化性能の向上に寄与した。
• 重複パッチの平均化を伴うスライディングウィンドウ推論戦略により、特に複雑な腫瘍形態を示す領域での境界精度が向上した。