[論文レビュー] Medical Image Segmentation using 3D Convolutional Neural Networks: A Review.

S. Niyas, S. J. Pawan+2 more|arXiv (Cornell University)|Aug 19, 2021

AI in cancer detection参考文献 94被引用数 4

ひとこと要約

この論文は、診断精度と治療計画の向上における役割が高まる医療画像セグメンテーションにおける3次元畳み込みニューラルネットワーク（3D CNN）をレビューしている。本稿では、主なアーキテクチャ、3Dデータ処理における課題、深層学習を用いたボリュメトリック医療画像処理分野における研究ギャップと今後の方向性を明らかにしている。

ABSTRACT

Computer-aided medical image analysis plays a significant role in assisting medical practitioners for expert clinical diagnosis and deciding the optimal treatment plan. At present, convolutional neural networks (CNN) are the preferred choice for medical image analysis. In addition, with the rapid advancements in three-dimensional (3D) imaging systems and the availability of excellent hardware and software support to process large volumes of data, 3D deep learning methods are gaining popularity in medical image analysis. Here, we present an extensive review of the recently evolved 3D deep learning methods in medical image segmentation. Furthermore, the research gaps and future directions in 3D medical image segmentation are discussed.

研究の動機と目的

• 3次元畳み込みニューラルネットワーク（3D CNN）を用いた医療画像セグメンテーション分野における最近の進展を包括的にレビューすること。
• 大規模な3次元医療画像データを処理する際に生じる技術的課題を分析すること。
• 深層学習を用いた3次元医療画像セグメンテーションにおける重要な研究ギャップを特定すること。
• 3次元セグメンテーションモデルの正確性、効率性、臨床応用可能性を向上させるための今後の研究方向性を提示すること。

提案手法

• 3D CNNを用いた医療画像セグメンテーション手法に関する査読付き論文の体系的レビュー。
• ネットワーク設計、損失関数、データ拡張技術に基づいて3D CNNアーキテクチャを分類すること。
• 効率的な3次元ディープラーニング推論を可能にするハードウェアおよびソフトウェアの進歩の分析。
• MRI、CT、PETなどの多様な医療画像モodalitiesにおけるモデル性能の評価。
• 一般化性、解釈可能性、計算コストの面で共通する制限要因の同定。
• U-Netの変種や注目メカニズムを含む、3次元ネットワーク設計におけるトレンドとイノベーションの統合。

実験結果

リサーチクエスチョン

• RQ1 異なる画像モダリティにおいて、医療画像をセグメンテーションするための最も効果的な3D CNNアーキテクチャは何か？
• RQ2 3D CNNは、2Dおよび2.5Dアプローチと比較して、セグメンテーションの正確性と計算効率の面でどのように異なるか？
• RQ3 3D CNNの日常的臨床応用を阻害している主な技術的および臨床的課題は何か？
• RQ4 データ拡張および損失関数が3Dセグメンテーション性能の向上に果たす役割は何か？
• RQ5 3次元医療画像セグメンテーションを前進させるために、最も有望な今後の研究方向性は何か？

主な発見

• 2D手法と比較して、3D CNNはボリュメトリック医療画像における空間的文脈をより優れた性能で捉えている。
• 3D U-Netおよびその変種は、空間的階層を保持できるという特徴から、標準的なアーキテクチャとして定着している。
• 注目メカニズムとリサンプル接続の統合により、小規模または複雑な構造のセグメンテーション精度が向上した。
• 進展は見られるが、多様なデータセットおよび臨床環境におけるモデルの一般化性には課題が残っている。
• 計算要件と長時間の推論時間は、リアルタイム臨床応用の大きな障壁のままである。
• 今後の研究は、大規模なアノテート済みデータセットへの依存を減らすために自己教師あり学習および弱教師あり学習に焦点を当てるべきである。