[論文レビュー] Comparison of 2D vs. 3D U-Net Organ Segmentation in abdominal 3D CT images

Nico Zettler, André Mastmeyer|arXiv (Cornell University)|Jul 8, 2021

Advanced Neural Network Applications被引用数 10

ひとこと要約

本研究では、3D CTスキャンにおける腹部臓器のセグメンテーションにおいて、2次元（2D）と3次元（3D）U-Netアーキテクチャを比較し、計算負荷を軽減するために臓器固有のボリューム・オブ・インタレスト（VOI）クロップを用いる。2D U-Netは、肝臓および腎臓のDiceスコアで同等またはより高い性能（最大6%の向上）を達成しており、GPUメモリ使用量とトレーニング時間の点で著しく少ないため、理論的に3Dデータに不適切であるにもかかわらず、より効率的である。

ABSTRACT

A two-step concept for 3D segmentation on 5 abdominal organs inside volumetric CT images is presented. First each relevant organ's volume of interest is extracted as bounding box. The extracted volume acts as input for a second stage, wherein two compared U-Nets with different architectural dimensions re-construct an organ segmentation as label mask. In this work, we focus on comparing 2D U-Nets vs. 3D U-Net counterparts. Our initial results indicate Dice improvements of about 6\% at maximum. In this study to our surprise, liver and kidneys for instance were tackled significantly better using the faster and GPU-memory saving 2D U-Nets. For other abdominal key organs, there were no significant differences, but we observe highly significant advantages for the 2D U-Net in terms of GPU computational efforts for all organs under study.

研究の動機と目的

• 3Dデータに理論的に優位な3D U-Netであるにもかかわらず、2D U-Netが腹部臓器セグメンテーションで優れた性能を示すかどうかを評価すること。
• 臓器固有のVOIに焦点を当てることで、3D医療画像セグメンテーションにおける計算およびメモリのオーバーヘッドを低減すること。
• 臓器の種類、トレーニングデータサイズ、ハードウェア制約に基づいた、データ駆動型のアーキテクチャ選定の助言を提供すること。
• 3D U-Netと2D U-Netモデルにおける、セグメンテーション精度とGPU効率のトレードオフを調査すること。
• 最適化された前処理を用いることで、2D U-Netが、パンクレアスのような挑戦的な腹部臓器においても、競争力あるまたは優れた性能を達成できるかどうかを検証すること。

提案手法

• 80例の腹部CTスキャンから臓器固有の3次元ボリューム・オブ・インタレスト（VOI）バウンディングボックスを抽出し、トレーニングおよび推論を関連領域に限定する。
• 各VOI内での軸方向スライスに対して、2D U-Netを2次元スライスに、3D U-Netを3次元ボリュームに適用して、2Dおよび3D U-Netアーキテクチャをトレーニングおよび評価する。
• 肝臓、脾臓、腎臓、およびパンクレアスのセマンティックセグメンテーションに、標準的なU-Netのスキップ接続および損失関数（例：Dice損失）を適用する。
• 3D U-Netに対しては固定入力サイズ96×96×96ボクセル、2D U-Netに対しては96×96ピクセルを設定し、公平な比較を確保する。
• Diceスコア、中央値、四分位範囲（IQR）、外れ値数の統計的分析を実施し、臓器ごとのモデル性能を比較する。
• GPUメモリ消費量とトレーニング時間を測定して、計算効率を評価する。

実験結果

リサーチクエスチョン

• RQ1 2D U-Netは、3D CT画像における主要な腹部臓器のセグメンテーションで、3D U-Netと同等または優れた精度を達成できるか？
• RQ2 2D U-Netと3D U-Netアーキテクチャ間の、セグメンテーション性能と計算効率（GPUメモリおよびトレーニング時間）のトレードオフは何か？
• RQ3 肝臓、脾臓、腎臓、パンクレアスのうち、どの臓器において2D U-NetがDiceスコアおよび頑健性の点で3D U-Netを上回るか？
• RQ4 3D U-Netは、特に細長い臓器（例：パンクレアス）において、十分なトレーニングデータが利用可能である場合にのみ顕著な優位性を示すのか？
• RQ5 限られたGPUリソースを有する臨床現場において、2D U-Netは3D U-Netの実用的代替手段として有効であるか？

主な発見

• 2D U-Netは、肝臓および腎臓のセグメンテーションにおいて、3D U-Netを最大6%のDiceスコア向上で上回った。
• 2D U-Netは肝臓および腎臓において、より高い平均および中央値のDiceスコア、およびより少ない外れ値を示した。
• 2D U-NetはGPUメモリ使用量が著しく少なく、平均して7%速くトレーニングが可能であり、2～4GBのGPUでもデプロイ可能であった。
• 3D U-Netは、パンクレアスの中央値Diceスコアと標準偏差がやや優れていたが、差は統計的に有意ではなかった。
• 2D U-Netは脾臓セグメンテーションにおいて、外れ値数が少なく、中央値性能が一貫していたことから、より頑健であった。
• 3D U-Netは著しく高い計算リソースを要し、現在のデータ環境下では、パンクレアスのセグメンテーションにのみ推奨されるべきであり、その分高いメモリおよびトレーニングコストを伴う。