[論文レビュー] Multi-Scale Convolutional-Stack Aggregation for Robust White Matter Hyperintensities Segmentation

Hongwei Li, Jianguo Zhang+3 more|arXiv (Cornell University)|Jul 13, 2018

Brain Tumor Detection and Classification参考文献 9被引用数 5

ひとこと要約

本稿では、白質高信号（WMH）のセグメンテーションに耐性を持つマルチスケール畳み込み積層アグリゲーションネットワークを提案する。スタックド全畳み込みネットワーク（Stack-Net）を用いて、小規模な病変の局所的空間的詳細を保持し、異なる受容野を持つ複数のStack-Netsを統合することでマルチスケールの文脈を捉える。この手法は最先端の性能を達成し、MICCAI WMHチャレンジ2017で第1位を獲得。隠しテストセットにおいて病変リコールが4%向上し、F1スコアは76.73%を記録した。

ABSTRACT

Segmentation of both large and small white matter hyperintensities/lesions in brain MR images is a challenging task which has drawn much attention in recent years. We propose a multi-scale aggregation model framework to deal with volume-varied lesions. Firstly, we present a specifically-designed network for small lesion segmentation called Stack-Net, in which multiple convolutional layers are connected, aiming to preserve rich local spatial information of small lesions before the sub-sampling layer. Secondly, we aggregate multi-scale Stack-Nets with different receptive fields to learn multi-scale contextual information of both large and small lesions. Our model is evaluated on recent MICCAI WMH Challenge Dataset and outperforms the state-of-the-art on lesion recall and lesion F1-score under 5-fold cross validation. In addition, we further test our pre-trained models on a Multiple Sclerosis lesion dataset with 30 subjects under cross-center evaluation. Results show that the aggregation model is effective in learning multi-scale spatial information.It claimed the first place on the hidden test set after independent evaluation by the challenge organizer. In addition, we further test our pre-trained models on a Multiple Sclerosis lesion dataset with 30 subjects under cross-center evaluation. Results show that the aggregation model is effective in learning multi-scale spatial information.

研究の動機と目的

• 脳MRIにおける大規模および小規模な白質高信号のセグメンテーションの課題に取り組む。これらは空間的連続性が低く、検出が困難である。
• 標準的な全畳み込みネットワークにおけるマックスプーリングによる特徴抽出の過程で失われる、小規模病変の細粒度な局所的空間的情報を保持する。
• 異なる受容野を有するスタックド畳み込み層を用いてマルチスケールの文脈的特徴を学習することで、病変検出を向上させる。
• 複数の硬化症病変データセットを用いたセンター間評価において、マルチスケールアグリゲーションの有効性を検証する。

提案手法

• 小規模病変の局所的空間的詳細を保持するために、各サブサンプリング操作の前に複数の畳み込み層をスタックした、全畳み込みネットワーク「Stack-Net」を提案する。
• エンコーダからデコーダへの高分解能特徴を伝達するために、U-Netに類似したスキップ接続を採用し、特徴再構築を強化する。
• 別々のStack-Netsに3×3および5×5のマルチスケール畳み込みカーネルを用い、それぞれ小規模病変の局所的詳細と大規模病変のグローバルな文脈を学習する。
• 投票戦略を用いて複数のStack-Netsの予測を統合する：P_aggr = (1/n) × Σ P_i（P_i はモデル i の3次元確率マスク）。
• 個々のStack-Netsを独立に訓練し、推論時に出力を統合することで、耐性性と一般化性能を向上させる。
• 集約された確率マップにしきい値を適用して、最終的なバイナリセグメンテーションマスクを生成する。

実験結果

リサーチクエスチョン

• RQ1 標準的な単一畳み込み層エンコーダと比較して、スタックド畳み込みアーキテクチャは、小規模な白質高信号の局所的空間的情報をより効果的に保持できるか？
• RQ2 異なる受容野を持つ複数のStack-Netsを統合することで、小規模および大規模病変の両方のセグメンテーション性能が向上するか？
• RQ3 独立した複数の硬化症病変データセットを用いたセンター間評価において、提案されたマルチスケールアグリゲーションモデルはどの程度有効か？
• RQ4 深さのある畳み込みスタック（例：3～6層）を用いることで、浅いスタックや単一層と比較して病変検出が向上するか？
• RQ5 U-Netアンサンブルなどの最先端手法と比較して、病変リコールおよびF1スコアの向上が統計的に有意であるか？

主な発見

• マルチスケールアグリゲーションモデルは、MICCAI WMHチャレンジ2017の隠しテストセットで86.96%の病変リコールを達成し、前回の最先端手法（U-Netアンサンブル：82.96%）と比較して4%の向上を示した。
• モデルは病変F1スコア76.73%を達成し、U-Netアンサンブル（76.41%）を上回り、精度とリコールのバランスに優れた性能を示した。
• 3×3カーネルを用いたStack-Netは、個々のモデルの中で最高の病変F1スコア（77.29%）を記録し、小規模病変検出における優れた性能を示した。
• 複数の硬化症病変データセットを用いたセンター間評価では、アグリゲーションモデルが49.57%のF1スコアを達成し、個々のモデル（最高：42.59%）およびU-Netアンサンブル（42.41%）を顕著に上回った。
• MSデータセットでは、ドメインシフトにもかかわらず、76.93%の高いDiceスコアを維持し、正解マスクと強い重なりを示した。
• 統計的分析により、向上が有意であった（p < 0.01）ことが確認され、マルチスケールアグリゲーションアプローチの有効性が裏付けられた。