[論文レビュー] Hierarchical Convolutional-Deconvolutional Neural Networks for Automatic Liver and Tumor Segmentation

Yading Yuan|arXiv (Cornell University)|Oct 12, 2017

Radiomics and Machine Learning in Medical Imaging参考文献 16被引用数 77

ひとこと要約

この論文はLiTS CTスキャンに対する肝臓と肝臓腫瘍のセグメンテーションのための階層的で完全自動のフレームワーク（CDNNベース）を提出し、粗粒度から細粒度への肝位置特定、洗練された肝臓セグメンテーション、強化された肝領域を入力として用いる腫瘍セグメンテーションを特徴とします。

ABSTRACT

Automatic segmentation of liver and its tumors is an essential step for extracting quantitative imaging biomarkers for accurate tumor detection, diagnosis, prognosis and assessment of tumor response to treatment. MICCAI 2017 Liver Tumor Segmentation Challenge (LiTS) provides a common platform for comparing different automatic algorithms on contrast-enhanced abdominal CT images in tasks including 1) liver segmentation, 2) liver tumor segmentation, and 3) tumor burden estimation. We participate this challenge by developing a hierarchical framework based on deep fully convolutional-deconvolutional neural networks (CDNN). A simple CDNN model is firstly trained to provide a quick but coarse segmentation of the liver on the entire CT volume, then another CDNN is applied to the liver region for fine liver segmentation. At last, the segmented liver region, which is enhanced by histogram equalization, is employed as an additional input to the third CDNN for tumor segmentation. Jaccard distance is used as loss function when training CDNN models to eliminate the need of sample re-weighting. Our framework is trained using the 130 challenge training cases provided by LiTS. The evaluation on the 70 challenge testing cases resulted in a mean Dice Similarity Coefficient (DSC) of 0.963 for liver segmentation, a mean DSC of 0.657 for tumor segmentation, and a root mean square error (RMSE) of 0.017 for tumor burden estimation, which ranked our method in the first, fifth and third place, respectively

研究の動機と目的

• 自動で堅牢な肝臓と腫瘍のセグメンテーションを動機付け、定量的イメージングバイオマーカーを支援する。
• 粗い肝定位、細かな肝セグメンテーション、腫瘍セグメンテーションを実行するCDNNモデルの階層的フレームワークを開発する。
• ネットワークアーキテクチャと学習戦略に焦点を当て、過度な前処理・後処理を避ける。
• 提案されたCDNNベースのパイプラインを訓練・検証するためにLiTSデータセットを活用する。

提案手法

• 全体ボリューム上の粗い肝定位CDNN（CDNN-I）を最初に用い、次に肝 VOI 内での細い肝セグメンテーションCDNN（CDNN-II）を用い、最後に強化された肝領域を追加入力チャネルとして使用する腫瘍セグメンテーションCDNN（CDNN-II）を用いる。
• 2つのパスウェイ（畳み込みとデコンボリューション）を持つ完全畳み込み-デコンボリューションネットワークと、フル解像度マップを回復するデコンボリューション密化アプローチを採用する。
• セグメンテーション品質を直接最適化し、クラス不均衡を再重み付けなしで処理するためにJaccard距離損失を用い、Adam最適化を使用する。
• 正則化のために2つのドロップアウト層と、2つのデータ拡張戦略（幾何変換とコントラスト正規化）を組み込み、頑健性を向上させる。
• 2D実装制約のためCTデータをスライスごとに処理し、隣接するスライスを追加入力チャネルとして取り込み、腫瘍入力を強化するためヒストグラム均等化を適用する。

実験結果

リサーチクエスチョン

• RQ1 階層的で完全自動のCDNNベースパイプラインは、多様なLiTS CTスキャンで高精度の肝臓と腫瘍セグメンテーションを達成できるか？
• RQ2 順次的な粗定位、細いセグメンテーション、および強化肝入力を用いた腫瘍セグメンテーションは、単一ステージ法と比較して性能を改善するか？
• RQ3 サンプル再重み付けなしで、Jaccard距離損失関数はこのタスクで伝統的なクロスエントロピーより利点を提供するか？
• RQ4 隣接スライチャンネルを用いた2Dスライス処理の影響は、セグメンテーション性能と計算効率にどう影響するか？

主な発見

• 肝臓セグメンテーションはLiTSテストケースで平均Dice相似係数（DSC）0.963を達成した。
• 腫瘍セグメンテーションはLiTSテストケースで平均DSC0.657を達成した。
• 腫瘍負荷推定はLiTSテストケースでRMSE0.017を達成した。
• 提案された階層CDNNフレームワークは前処理・後処理を最小限に抑え、エンドツーエンドで訓練可能である。
• LiTSチャレンジの結果で肝臓セグメンテーションで1位、腫瘍セグメンテーションで5位、腫瘍負荷推定で3位。