[論文レビュー] Infant brain MRI segmentation with dilated convolution pyramid downsampling and self-attention

Zhihao Lei, Lin Qi+2 more|arXiv (Cornell University)|Dec 29, 2019

Neonatal and fetal brain pathology参考文献 13被引用数 5

ひとこと要約

本稿では、3D-UNetをベースにした二重集約ネットワークを提案し、空間的詳細を保持するための拡張畳み込みピラミッドダウンサンプリングモジュールと、長距離の空間的およびチャネルワイドな依存関係をモデル化する自己注意モジュールを統合する。この手法は最先端の性能を達成し、iSeg-2019クロスデータセットチャレンジにおいて白質（WM）および灰白質（GM）のDiceスコアで1位を獲得し、脳脊髄液（CSF）でも2位を記録した。

ABSTRACT

In this paper, we propose a dual aggregation network to adaptively aggregate different information in infant brain MRI segmentation. More precisely, we added two modules based on 3D-UNet to better model information at different levels and locations. The dilated convolution pyramid downsampling module is mainly to solve the problem of loss of spatial information on the downsampling process, and it can effectively save details while reducing the resolution. The self-attention module can integrate the remote dependence on the feature maps in two dimensions of spatial and channel, effectively improving the representation ability and discriminating ability of the model. Our results are compared to the winners of iseg2017's first evaluation, the DICE ratio of WM and GM increased by 0.7%, and CSF is comparable.In the latest evaluation of the iseg-2019 cross-dataset challenge,we achieve the first place in the DICE of WM and GM, and the DICE of CSF is second.

研究の動機と目的

• ダウンサンプリング過程における空間情報の損失を是正することで、新生児脳MRI分類の精度を向上させること。
• 空間的およびチャネル次元における長距離依存関係をモデル化することで、特徴表現を強化すること。
• 多様な新生児脳MRIデータセットにわたる一般化性能に優れた分類フレームワークを構築すること。
• iSeg-2017およびiSeg-2019などのベンチマークデータセットで既存手法を上回ること。
• マルチレベルおよびマルチロケーション特徴を効果的に統合する二重集約メカニズムを開発すること。

提案手法

• エンコーダー部の標準的な畳み込み層の代わりに、拡張畳み込みピラミッドダウンサンプリングモジュールを導入し、ダウンサンプリング過程でも高分解能の空間的詳細を保持する。
• 拡張率を段階的に増加させた拡張畳み込みを用いることで、解像度を落とさずに感受野を拡大し、微細な構造的情報を維持する。
• スキップ接続部に自己注意モジュールを追加し、空間的およびチャネル次元における特徴マップの重みを動的に調整することで、長距離特徴統合を向上させる。
• 自己注意機構は特徴マップからクエリ、キー、バリュー行列を計算し、顕著な領域や依存関係に注目できるようにする。
• 3D-UNetバックボーンに基づくネットワークを構築し、2つのモジュールをそれぞれエンコーダー部およびスキップ接続部に統合し、エンドツーエンドの学習を可能にする。
• 白質（WM）、灰白質（GM）、脳脊髄液（CSF）の分類性能を最適化するため、バイナリクロスエントロピー損失とDice損失の組み合わせでモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 3D-MRI分類におけるダウンサンプリング過程での空間情報損失を、拡張畳み込みピラミッドが効果的に低減できるか？
• RQ2 自己注意機構は、新生児脳MRI分類における特徴表現にどの程度向上効果をもたらすか？
• RQ3 ピラミッドダウンサンプリングと自己注意の組み合わせが、ベンチマークデータセットで優れた性能を発揮するか？
• RQ4 iSeg-2019クロスデータセットチャレンジにおいて、本手法は最先端モデルと比較してどの程度優れているか？
• RQ5 本モデルは、異なる新生児脳MRI撮影プロトコルや解剖的変異に対しても一般化可能か？

主な発見

• 提案手法は、iSeg2017の優勝者と比較して、WMおよびGMのDiceスコアで0.7%の向上を達成した。
• iSeg-2019クロスデータセットチャレンジにおいて、WMおよびGM分類のDiceスコアで1位を獲得した。
• iSeg-2019チャレンジにおいて、CSF分類のDiceスコアで2位という最高水準のスコアを記録した。
• 拡張畳み込みピラミッドは、ダウンサンプリング過程でも空間的詳細を効果的に保持し、解像度に起因する情報損失を低減した。
• 自己注意モジュールは、特徴マップ内の長距離依存関係を捉える能力を顕著に向上させた。
• 二重集約設計により、特に複雑でコントラストが低い新生児脳領域における特徴表現および識別能が向上した。