[論文レビュー] Gland Instance Segmentation by Deep Multichannel Neural Networks

Yan Xu, Yang Li+5 more|arXiv (Cornell University)|Jul 17, 2016

AI in cancer detection被引用数 10

ひとこと要約

本論文は、完全畳み込みアーキテクチャを用いて、前景セグメンテーション、エッジ検出、オブジェクト局在特徴を統合することで、大腸ヒストロロジー画像における腺インスタンスセグメンテーションのためのディープマルチチャネルニューラルネットワークフレームワークを提案する。この手法は、領域提案や手作業特徴量に依存せずに、多層の文脈的、境界的、空間的手がかりを効果的に統合することで、MICCAI 2015 年腺セグメンテーションチャレンジで最先端の性能を達成した。

ABSTRACT

In this paper, we propose a new image instance segmentation method that segments individual glands (instances) in colon histology images. This is a task called instance segmentation that has recently become increasingly important. The problem is challenging since not only do the glands need to be segmented from the complex background, they are also required to be individually identified. Here we leverage the idea of image-to-image prediction in recent deep learning by building a framework that automatically exploits and fuses complex multichannel information, regional, location and boundary patterns in gland histology images. Our proposed system, deep multichannel framework, alleviates heavy feature design due to the use of convolutional neural networks and is able to meet multifarious requirement by altering channels. Compared to methods reported in the 2015 MICCAI Gland Segmentation Challenge and other currently prevalent methods of instance segmentation, we observe state-of-the-art results based on a number of evaluation metrics.

研究の動機と目的

• 腺の形状が大きくばらつき、複雑な形態的特徴を示す大腸ヒストロジー画像における正確な腺インスタンスセグメンテーションの課題に対処すること。
• セマンティックセグメンテーションや従来のインスタンスセグメンテーション手法の限界を克服し、ノイズが多く、不均一性の高い医療画像において個々の腺を区別できない問題を解決すること。
• 手動による特徴工学を必要とせず、自動的にマルチチャネル特徴（領域、境界、位置）を学習し統合するエンドツーエンドのディープラーニングフレームワークを開発すること。
• H&E染色スライドに一般的に見られる形態的変異、アノイソクロマシー、画像アーチファクトの影響を受けても、セグメンテーションの正確性とロバスト性を向上させること。

提案手法

• フレームワークは、3つの異なる入力チャネル（前景セグメンテーション、エッジ検出、オブジェクト局在特徴）を処理するディープマルチチャネルニューラルネットワークを採用する。
• 受容 field を拡大しつつ解像度の損失を最小限に抑え、空間的詳細を保持するため、アトラス畳み込みを用いた完全畳み込みネットワーク（FCN）を用いる。
• 各チャネルからの特徴マップは連結され、融合ネットワークを通過して最終的なインスタンスセグメンテーション出力を生成する。
• 一般化を向上させ、過学習を軽減するために、幾何的および強度変換を含むデータ拡張戦略が適用される。
• エッジ画素が背景や前景に比べて疎であることに起因するクラス不均衡を是正するために、エッジ拡張（edge dilation）が用いられる。
• セグメンテーションの正確性と境界の精度を最適化するため、統合損失関数を用いてエンドツーエンドでモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 ディープマルチチャネルフレームワークは、領域、境界、空間的文脈特徴を効果的に統合することで、ヒストパスロジー画像におけるインスタンスセグメンテーションを向上させることができるか？
• RQ2 最初に領域を検出し、その後ボクセル内でのセグメンテーションを実行するような段階的アーキテクチャと比較して、複数のニューラルネットワークストリームの統合はどのように性能を向上させるか？
• RQ3 データ拡張およびエッジ拡張戦略は、不均衡な腺セグメンテーションタスクにおけるモデルのロバスト性と性能をどの程度向上させるか？
• RQ4 アトラス畳み込みの使用は、空間解像度を保持しつつ受容 field を拡大することで、セグメンテーションの正確性を向上させるか？

主な発見

• 提案されたディープマルチチャネルフレームワークは、MICCAI 2015 年腺セグメンテーションチャレンジで最先端の性能を達成し、複数の評価指標で既存手法を上回った。
• アブレーションスタディの結果、前景、エッジ、位置の3つのチャネルをすべて組み合わせた場合が、2つのチャネルのみの使用よりも優れた結果をもたらした。
• アトラス畳み込みの使用は、過度なダウンサンプリングを伴わずに受容 field を拡大することで、セグメンテーションの正確性を顕著に向上させた。
• データ拡張およびエッジ拡張は、クラス不均衡の是正に効果的であり、学習収束の改善とエッジ検出の正確性向上を実現した。
• 段階的アプローチ（領域検出 → バウンディングボックス内でのセグメンテーション）を用いたベースライン実験では劣った結果が得られたことから、エンドツーエンドの共同学習の優位性が示された。