[論文レビュー] Dilated Inception U-Net (DIU-Net) for Brain Tumor Segmentation

Daniel E. Cahall, Ghulam Rasool+2 more|arXiv (Cornell University)|Aug 15, 2021

Advanced Neural Network Applications参考文献 30被引用数 11

ひとこと要約

本稿では、多スケール特徴抽出を向上させるために、ドーナツ型畳み込みをインセプションモジュールに統合した拡張型U-Netアーキテクチャ、Dilated Inception U-Net (DIU-Net) を提案する。このモデルは、BraTS 2018 データセット上で、全腫瘍（0.931、p<0.05）および腫瘍コア（0.957、p<0.05）分類において統計的に有意なDiceスコアの向上を達成し、標準的なU-Netに比べて15%のパラメータ削減を実現した。

ABSTRACT

Magnetic resonance imaging (MRI) is routinely used for brain tumor diagnosis, treatment planning, and post-treatment surveillance. Recently, various models based on deep neural networks have been proposed for the pixel-level segmentation of tumors in brain MRIs. However, the structural variations, spatial dissimilarities, and intensity inhomogeneity in MRIs make segmentation a challenging task. We propose a new end-to-end brain tumor segmentation architecture based on U-Net that integrates Inception modules and dilated convolutions into its contracting and expanding paths. This allows us to extract local structural as well as global contextual information. We performed segmentation of glioma sub-regions, including tumor core, enhancing tumor, and whole tumor using Brain Tumor Segmentation (BraTS) 2018 dataset. Our proposed model performed significantly better than the state-of-the-art U-Net-based model ($p&lt;0.05$) for tumor core and whole tumor segmentation.

研究の動機と目的

• 構造的変異、強度不均一性、空間的相違性のため、MRIにおける脳腫瘍のピクセル単位の正確な分類を困難にする課題に対処すること。
• 局所的およびグローバルな文脈学習を強化するため、ドーナツ型畳み込みとインセプションモジュールをU-Netに統合して特徴抽出を改善すること。
• 膠腫瘍のサブレジオン分類（全腫瘍、腫瘍コア、強化腫瘍）を対象とした、計算効率的でエンドツーエンドの深層学習フレームワークを構築すること。
• 非パラメトリックな統計的検定を用いて、BraTS 2018ベンチマークデータセット上で、最先端のU-Net変種と比較してモデルの性能を評価すること。

提案手法

• DIU-Netアーキテクチャは、収縮路および拡張路にドーナツ型インセプションモジュールを統合することで、U-Netを拡張し、多スケールの文脈的特徴を捉える。
• 各ドーナツ型インセプションモジュールは、次に3×3のドーナツ型畳み込み（率l=1, 2, 3）を適用するための次元削減のための3つの1×1畳み込みから構成される。
• 各畳み込み層の後にバッチ正規化とReLU活性化関数を適用することで、学習の安定化と勾配の流れの改善を図る。
• 収縮路と拡張路の間のスキップ接続により、空間分解能が保持され、特徴の局在化が可能となり、正確な分類が可能になる。
• 最終層では、特徴マップの深さを分類クラス数（3：WT, TC, ET）に減らすために1×1畳み込みを適用し、出力にはピクセル単位のソフトマックスを適用する。
• モデルは、4台のTesla P100 GPUを用いてKerasとTensorFlowバックエンドで学習され、BraTS 2018で5分割交差検証を用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 インセプションモジュールにドーナツ型畳み込みを統合することで、U-Netにおける特徴表現が脳腫瘍分類において向上するか？
• RQ2 提案されたDIU-Netアーキテクチャは、BraTS 2018データセット上で、標準的なU-NetおよびU-Netにインセプションモジュールを統合したバージョンよりも優れた分類性能を達成するか？
• RQ3 全腫瘍および腫瘍コアサブレジオンにおける分類精度の向上が、統計的に有意であるか？
• RQ4 既存の最先端モデルと比較して、DIU-Netはパラメータ効率性および計算コストの面で優れているか？

主な発見

• DIU-Netは、全腫瘍分類において中央値のDiceスコアが0.931を達成し、ベースラインのU-Netにインセプションモジュールを統合したバージョン（p<0.05）よりも統計的に有意な改善を示した。
• 腫瘍コア分類においては、DIU-NetはDiceスコア0.957を達成し、ベースライン（p<0.05）と比較して統計的に有意な改善を示した。
• 強化腫瘍サブレジオンでは、統計的に有意な改善が見られなかった（p=0.114）ため、この小さな希な領域ではより大きな文脈情報が恩恵をもたらさないことが示唆された。
• DIU-Netは、U-Netにインセプションモジュールを統合したバージョンと比較して、250万（15%）のパラメータを削減した。これは、より高いパラメータ効率性を示している。
• 箱ひげ図における四分位範囲の狭さから、Diceスコアのばらつきが低減しており、より一貫性のある性能を示していることがわかった。
• 代表的な高悪性度および低悪性度の膠腫瘍症例における視覚的評価では、DIU-Netの予測結果が正解に近く、腫瘍の種類にかかわらず高いロバスト性を示した。