[論文レビュー] Extraction of Airways using Graph Neural Networks

Raghavendra Selvan, Thomas Kipf+4 more|arXiv (Cornell University)|Apr 12, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 7被引用数 17

ひとこと要約

本稿では、3次元胸郭CTスキャンからの気道抽出を目的として、ノード特徴量とメッセージパッシングを活用して接続性を予測する、グラフニューラルネットワーク（GNNs）を用いたグラフオートエンコーダーを提案する。単体でのGNNは中心線精度において平均場ネットワーク（MFNs）を下回るが、MFNの予測と組み合わせることで、欠落した枝の検出が向上し、医療分野におけるグラフ精錬のエンドツーエンド学習の可能性を示している。

ABSTRACT

We present extraction of tree structures, such as airways, from image data as a graph refinement task. To this end, we propose a graph auto-encoder model that uses an encoder based on graph neural networks (GNNs) to learn embeddings from input node features and a decoder to predict connections between nodes. Performance of the GNN model is compared with mean-field networks in their ability to extract airways from 3D chest CT scans.

研究の動機と目的

• 3次元CTスキャンからの気道木抽出を目的として、医療画像解析におけるグラフ精錬にグラフニューラルネットワーク（GNNs）を用いる可能性を調査すること。
• 過剰なグラフ（over-complete graphs）から真の気道接続性を回復する際、GNNベースのグラフオートエンコーダーと平均場ネットワーク（MFNs）の性能を比較すること。
• 限られたアノテート済みデータと複雑な解剖的構造を伴う状況下で、エンドツーエンドで学習可能なGNNモデルの可能性を評価すること。
• GNNが、MFNと組み合わせることで、以前に見逃された気道枝を検出できるかどうかを検討すること。

提案手法

• 本手法は、入力の隣接行列とノード特徴量を用いて、メッセージパッシングによりノード埋め込みを学習するGNNベースのエンコーダーを有するグラフオートエンコーダーを採用する。
• エンコーダーは、学習可能な重みと非線形活性化関数を有するグラフ畳み込み層の定式化を適用し、近隣の特徴量と正規化された隣接行列に基づいてノード表現を更新する。
• ラジアル基底関数カーネルデコーダーが、学習済みの埋め込みを用いてノード間のエッジ確率を予測し、予測された隣接行列を出力する。
• モデルの重みは、エッジ接続と非エッジ接続のクラス不均衡に対処するためのDice損失を用いて学習され、真のラベルとの重なりを最適化する。
• モデルは、100例のCTスキャンで自動的に生成されたリファレンスセグメンテーションを用いて事前学習した後、24例のトレーニングスキャンで専門家が検証済みのラベルを用いて微調整する。
• 最終的な予測は、リファレンス中心線からの誤検出（FP）および誤検出（FN）距離の平均として計算される中心線距離誤差によって評価される。

実験結果

リサーチクエスチョン

• RQ1 グラフニューラルネットワーク（GNNs）は、3次元CTスキャンからの気道木抽出に適したグラフ精錬を効果的に行えるか？
• RQ2 GNNベースのグラフオートエンコーダーの性能は、真の気道接続性を回復する際、平均場ネットワーク（MFNs）と比べてどの程度か？
• RQ3 GNNとMFNの予測を組み合わせることで、単体での手法よりも欠落した気道枝の検出が向上するか？
• RQ4 限られたラベル付きデータが、この医療分野におけるグラフ精錬タスクにおけるGNNの性能にどの程度影響を与えるか？
• RQ5 ドメイン知識が限られる状況下で、エンドツーエンドで学習可能なGNNが、手作業で設計されたモデル（MFN）に比べて利点を示せるか？

主な発見

• 単体でのGNNモデルは中心線距離誤差が3.402 ± 0.386 mmを示し、MFNの1.703 ± 0.186 mmよりも顕著に高い値を示しており、全体的な精度が劣っていることが示された。
• GNNモデル単体では、MFNと比較して、誤検出距離（d_FP = 3.913 mm）と誤検出距離（d_FN = 2.890 mm）がともに高く、リファレンス中心線との整合性が劣っていることが示された。
• MFNの予測と組み合わせた場合（GNN+MFN）、誤検出距離は2.014 mmに低下し、GNNが以前に見逃された枝を検出できたことが示された。
• GNNモデルはトレーニングデータサイズの増加に伴い性能が向上する傾向を示しており、より多くのラベル付きデータがあれば性能が向上する可能性があることが示唆された。
• GNNモデルは明示的にノード間のペairwise相互作用をモデル化していなかったため、MFNと比較して性能が劣った可能性がある。
• 単体での性能が低かったものの、GNNは欠落した枝の検出において補完的価値を示しており、アンサンブル設定での潜在的利点が浮き彫りになった。