[論文レビュー] Combating Uncertainty with Novel Losses for Automatic Left Atrium Segmentation

Xin Yang, Na Wang+5 more|arXiv (Cornell University)|Dec 14, 2018

Cardiac Valve Diseases and Treatments参考文献 14被引用数 9

ひとこと要約

本論文は、ガドリニウム増強MRボリュームにおける自動左房および肺静脈セグメンテーションを改善するため、合成損失関数を用いた3次元フルコンボリューショナルネットワークを提案する。境界の曖昧さとフォアグラウンド分類感度の問題に対処するために、Overlap損失と新規のFocal Positive損失を統合し、ディープスーパービジョンと再帰的リファインメントを組み合わせることで、20個のテストボリュームにおいて平均Diceスコア92.24%を達成した。

ABSTRACT

Segmenting left atrium in MR volume holds great potentials in promoting the treatment of atrial fibrillation. However, the varying anatomies, artifacts and low contrasts among tissues hinder the advance of both manual and automated solutions. In this paper, we propose a fully-automated framework to segment left atrium in gadolinium-enhanced MR volumes. The region of left atrium is firstly automatically localized by a detection module. Our framework then originates with a customized 3D deep neural network to fully explore the spatial dependency in the region for segmentation. To alleviate the risk of low training efficiency and potential overfitting, we enhance our deep network with the transfer learning and deep supervision strategy. Main contribution of our network design lies in the composite loss function to combat the boundary ambiguity and hard examples. We firstly adopt the Overlap loss to encourage network reduce the overlap between the foreground and background and thus sharpen the predictions on boundary. We then propose a novel Focal Positive loss to guide the learning of voxel-specific threshold and emphasize the foreground to improve classification sensitivity. Further improvement is obtained with an recursive training scheme. With ablation studies, all the introduced modules prove to be effective. The proposed framework achieves an average Dice of 92.24 in segmenting left atrium with pulmonary veins on 20 testing volumes.

研究の動機と目的

• GE-MRボリュームからの左房および肺静脈セグメンテーションにおける、高い解剖学的可変性、低レベルの組織対比、境界の曖昧さの課題に対処すること。
• ガドリニウム投与量のばらつきによる画像アーチファクトや不均一な強調の影響下でも、セグメンテーションの正確性を向上させること。
• 手動による輪郭指定への依存を低減し、再現性を高める完全自動化フレームワークの開発。
• 複合損失関数が心筋MRIセグメンテーションにおける境界精度とフォアグラウンド感受性をどのように向上させるかを調査すること。

提案手法

• 2次元スライスにおける左房領域のオブジェクトオブジェクト（ROI）を特定するFaster R-CNNベースの検出モジュールを用い、これを3次元バウンディングボックスに統合することで背景ノイズを低減する。
• 局所化されたROIにおける3次元空間的依存関係を活用するため、カスタマイズされた3次元U-Netアーキテクチャを採用。過学習の緩和と学習効率の向上のため、トランスファー学習とディープスーパービジョンを適用。
• 合成損失関数は、フォアグラウンドとバックグラウンドの確率マップ間の重なりを最小化することで、境界予測の鋭さを向上させるOverlap損失を組み合わせる。
• ボクセルごとのしきい値を学習し、フォアグラウンド構造の分類感度を向上させる新規のFocal Positive損失を導入。
• 強化された予測を段階的に改善する再帰的リファインメントスキーム（RRS）を採用。強度画像と確率マップを繰り返し用いて、逐次的リファインメントによりセグメンテーション精度を向上。
• スライディングウィンドウ推論に重複タイリングステッチと後処理（小さな孤立成分の削除）を適用し、フルボリューム推論を実現。

実験結果

リサーチクエスチョン

• RQ1 Overlap損失とFocal Positive損失を組み合わせた複合損失関数は、左房セグメンテーションにおける境界の曖昧さを効果的に低減できるか？
• RQ2 ディープスーパービジョンとトランスファー学習の統合は、データ量が少ない状況下での学習安定性と一般化性能をどのように向上させるか？
• RQ3 再帰的リファインメントは、複雑な心臓構造におけるセグメンテーション精度をどの程度向上させるか？
• RQ4 標準損失関数と比較して、提案されたFocal Positive損失は、小形または低コントラストの左房および肺静脈構造に対する感受性をどのように向上させるか？
• RQ5 フレームワークの各構成要素（損失関数、RRS、スーパービジョン）は、最終的なセグメンテーション性能にどの程度寄与しているか？

主な発見

• 提案手法は20個の独立テストボリュームにおいて平均Diceスコア92.24%を達成し、ベースラインのクロスエントロピー損失（82.015%）を顕著に上回った。
• Overlap損失の追加により、ベースラインと比較してDiceスコアが約2.8ポイント向上し、境界の鋭さが向上したことが示された。
• Focal Positive損失の導入により、Overlap損失ベースラインと比較してさらに約2%のDiceスコア向上が得られ、フォアグラウンド感受性の向上が確認された。
• 2段階の再帰的リファインメント（RRS2）により、1段階リファインメントと比較してDiceスコアが約1%向上し、2段階以上では収束傾向を示した。
• 確率マップの可視化から、複合損失がよりクリアで曇りのない、より正確なフォアグラウンド予測をもたらしたことがわかった。
• ハウスドルフ距離は18.293 mm、平均境界距離は1.490 mmを記録し、真値との空間的正確性と一貫性が高く保たれていることが示された。