[論文レビュー] DCAN: Deep Contour-Aware Networks for Accurate Gland Segmentation

Hao Chen, Xiaojuan Qi+2 more|arXiv (Cornell University)|Apr 10, 2016

AI in cancer detection参考文献 44被引用数 130

ひとこと要約

DCAN は、多層レベルの文脈特徴と輪郭監督ブランチを統合した多タスク枠組みの深い輪郭認識ネットワークを導入し、組織学画像における腺の正確なセグメンテーションと接触する腺の分離を実現し、2015 MICCAIで最高成績を達成しました。

ABSTRACT

The morphology of glands has been used routinely by pathologists to assess the malignancy degree of adenocarcinomas. Accurate segmentation of glands from histology images is a crucial step to obtain reliable morphological statistics for quantitative diagnosis. In this paper, we proposed an efficient deep contour-aware network (DCAN) to solve this challenging problem under a unified multi-task learning framework. In the proposed network, multi-level contextual features from the hierarchical architecture are explored with auxiliary supervision for accurate gland segmentation. When incorporated with multi-task regularization during the training, the discriminative capability of intermediate features can be further improved. Moreover, our network can not only output accurate probability maps of glands, but also depict clear contours simultaneously for separating clustered objects, which further boosts the gland segmentation performance. This unified framework can be efficient when applied to large-scale histopathological data without resorting to additional steps to generate contours based on low-level cues for post-separating. Our method won the 2015 MICCAI Gland Segmentation Challenge out of 13 competitive teams, surpassing all the other methods by a significant margin.

研究の動機と目的

• 良性および悪性の症例を問わず、組織病理学的分析を支援するための自動的で正確な腺セグメンテーションを動機づける。
• 堅牢な腺 delineation のために、マルチレベルの文脈特徴を活用するエンドツーエンドの FCN ベースのフレームワークを開発する。
• 接触する腺オブジェクトを分離するために、深い輪郭認識を備えたマルチタスクネットワークを介して輪郭情報を組み込む。
• 限られた医療データの問題を緩和するための転移学習を可能にする。
• 大規模な組織病理ワークフローに適した効率性を示す。

提案手法

• 異なる受容野からのマルチレベルの文脈特徴を融合してピクセル単位の腺確率マップを得るために、Fully Convolutional Networks (FCN) を拡張する。
• 訓練を安定化させ、深層層間で特徴の識別性を向上させるために補助的監督を追加する。
• 腺オブジェクトと輪郭の2つの出力ブランチを持つ深い輪郭認識ネットワークを導入し、ダウンサンプリングパスを共有してマルチタスク損失で共同訓練する。
• 正則化と学習済みのピクセル単位の腺および輪郭予測を組み合わせたエンドツーエンド損失を定義する。
• 腺オブジェクトと輪郭確率マップを融合して、閾値 t_o と t_c、および後処理手順を用いて最終的な腺セグメンテーションを得る。
• downsamping パスをDeepLab/PASCAL-VOCの重みで初期化し、腺データセットでファインチューニングすることによる転移学習を適用する。

実験結果

リサーチクエスチョン

• RQ1 多層レベルの文脈特徴は、さまざまな組織学的グレードにおいて腺のセグメンテーション精度を向上させることができるか？
• RQ2 接触しているまたはクラスタリングされた腺を、オブジェクトのみのセグメンテーションよりも効果的に分離するのに、輪郭ブランチを組み込むことが役立つか？
• RQ3 統合されたマルチタスクフレームワークは、大規模データに適した、より速く、より堅牢な腺セグメンテーションをもたらすか？
• RQ4 自然画像データセットからの転移学習が腺セグメンテーションの性能に与える影響は何か？

主な発見

• 深い輪郭認識ネットワーク（DCAN）は、2015 MICCAI Gland Segmentation Challenge Part AおよびPart Bで優れた検出とセグメンテーション性能を達成する。
• 輪郭認識融合(CUMedVision2)はPart Aで最良の検出を、Part Bでは競争力のある結果を示し、13チーム中で総合トップのランキングを達成した。
• オブジェクトレベルのDiceとHausdorff指標は、輪郭案内を備えたDCANが競合手法を上回り、Part Aで最小のHausdorff距離を報告している。
• 推論は高速で、755×522画像あたり約1.5秒程度で、大規模な組織病理データでの実用的な利用を可能にする。
• 訓練時間は Titan X GPUで約4時間で、転移学習による効率的な最適化を示している。
• アブレーション分析は、輪郭情報が接触腺の分離を改善し、特に良性例で効果を発揮することを確認している。