[論文レビュー] Learning Euler's Elastica Model for Medical Image Segmentation

Xu Chen, Xiangde Luo+4 more|arXiv (Cornell University)|Nov 1, 2020

Medical Image Segmentation Techniques参考文献 29被引用数 11

ひとこと要約

本稿では、曲率、長さ、領域ベースの制約を深層学習ベースの医療画像セグメンテーションに統合する微分可能でアクティブな輪郭（ACE）損失関数を提案する。平均曲率を正確な幾何的事前知識として活用し、3Dラプラシアンに基づく高速近似（Fast-ACE）を導入することで、2Dおよび3Dデータセットにおいて、DICEおよびHD95指標で最先端の損失関数を上回るセグメンテーション精度と学習効率が向上した。

ABSTRACT

Image segmentation is a fundamental topic in image processing and has been studied for many decades. Deep learning-based supervised segmentation models have achieved state-of-the-art performance but most of them are limited by using pixel-wise loss functions for training without geometrical constraints. Inspired by Euler's Elastica model and recent active contour models introduced into the field of deep learning, we propose a novel active contour with elastica (ACE) loss function incorporating Elastica (curvature and length) and region information as geometrically-natural constraints for the image segmentation tasks. We introduce the mean curvature i.e. the average of all principal curvatures, as a more effective image prior to representing curvature in our ACE loss function. Furthermore, based on the definition of the mean curvature, we propose a fast solution to approximate the ACE loss in three-dimensional (3D) by using Laplace operators for 3D image segmentation. We evaluate our ACE loss function on four 2D and 3D natural and biomedical image datasets. Our results show that the proposed loss function outperforms other mainstream loss functions on different segmentation networks. Our source code is available at https://github.com/HiLab-git/ACELoss.

研究の動機と目的

• 深層学習ベースのセグメンテーションにおける標準的なピxls単位の損失関数に、幾何的制約が欠如しているという限界に対処する。
• 特に曲率と長さといった幾何的事前知識を深層学習モデルに統合し、セグメンテーションのロバスト性と精度を向上させる。
• オイラーのエラスティカモデルを深層ニューラルネットワークに統合する微分可能でエンドツーエンドで学習可能な損失関数を構築する。
• ラプラシアン作用素を用いた近似により、3Dセグメンテーションの学習を高速化する。
• 多様な2Dおよび3D医療画像データセットにおいて、提案されたACEおよびFast-ACE損失関数の有効性を検証し、優れた性能を示す。

提案手法

• ACE損失関数は、エラスティカエネルギー（曲率と長さ）と領域ベースの適合性項を組み合わせており、レベルセット表現を用いた離散的3D形式で定義される。
• 主曲率の平均として導出される平均曲率を、より正確で物理的に意味のある曲率の表現として用いる。
• 計算コストを低減するために、曲率項をラプラシアン作用素を用いて近似することで、高速な3Dソリューション（Fast-ACE）を提案する。
• 損失関数は微分可能であり、U-Net や V-Net などの深層ニューラルネットワークに統合され、標準的なバックプロパゲーションを用いたエンドツーエンド学習が可能である。
• ハイパーパramータ α（長さ）および β（曲率）は、物体の構造に応じて調整される：管状構造では β ∈ (0,2)、非管状構造では β ∈ (2,10)。
• 本手法は、2つの2Dデータセット（DRIVE、網膜血管）および2つの3Dデータセット（膵臓、左房）を用いて評価され、複数のアーキテクチャが使用された。

実験結果

リサーチクエスチョン

• RQ1 曲率や長さといった幾何的事前知識を深層学習の損失関数に組み込むことで、医療画像におけるセグメンテーション精度が向上するか？
• RQ2 画像セグメンテーションにおいて、標準的な曲率表現よりも平均曲率がより効果的な幾何的事前知識であるか？
• RQ3 微分可能で高速近似されたエラスティカ損失（Fast-ACE）は、3D医療画像セグメンテーションの訓練時間を短縮しつつも高い性能を維持できるか？
• RQ4 DICE、HD95、および学習効率の観点から、ACE損失は主流の損失関数（例：HD、CE）と比較してどのように差をつけるか？
• RQ5 提案された損失関数は、多様な解剖的構造および画像モalityに一般化可能か？

主な発見

• DRIVEデータセットでは、2D U-NetにACE損失を適用した結果、DICEスコアが0.831、AUCが0.979に達し、最先端の手法を上回った。
• 左房のMRIデータセットでは、3D U-NetにFast-ACE損失を適用した結果、DICEスコアが0.891、HD95が9.72に達し、既存のアプローチを上回った。
• Fast-ACE損失は、標準的なACE損失と比較して約20％の学習時間を短縮した。左房データセットでは1エポックあたり3.3秒であった。
• ACE損失は、特に管状構造の連結性を保ち、境界の補間誤差を低減する点で、標準損失関数よりもセグメンテーション精度を向上させた。
• 本手法は、4つの多様なデータセットおよび4つの異なるネットワークアーキテクチャにおいて一貫した性能向上を示し、強力な一般化能力を示した。
• 最適な正則化重みβは構造に応じて変化し、管状構造ではβ ∈ (0,2)、非管状構造ではβ ∈ (2,10) であった。これは、構造に応じたチューニングが有益であることを示唆している。