[論文レビュー] Multi-step Cascaded Networks for Brain Tumor Segmentation

Xiangyu Li, Gongning Luo+1 more|arXiv (Cornell University)|Aug 16, 2019

Brain Tumor Detection and Classification参考文献 11被引用数 5

ひとこと要約

本論文は、脳腫瘍の全腫瘍、腫瘍コア、強化腫瘍を粗いものから細かいものへ段階的に分類する多段階段階的3次元U-Netアーキテクチャを提案する。予測結果の事前知識とディープスーパービジョンを活用することで、精度を向上させる。BraTS 2019の検証セットにおいて、それぞれ全腫瘍で0.886、腫瘍コアで0.813、強化腫瘍で0.771の平均Diceスコアを達成した。

ABSTRACT

Automatic brain tumor segmentation method plays an extremely important role in the whole process of brain tumor diagnosis and treatment. In this paper, we propose a multi-step cascaded network which takes the hierarchical topology of the brain tumor substructures into consideration and segments the substructures from coarse to fine .During segmentation, the result of the former step is utilized as the prior information for the next step to guide the finer segmentation process. The whole network is trained in an end-to-end fashion. Besides, to alleviate the gradient vanishing issue and reduce overfitting, we added several auxiliary outputs as a kind of deep supervision for each step and introduced several data augmentation strategies, respectively, which proved to be quite efficient for brain tumor segmentation. Lastly, focal loss is utilized to solve the problem of remarkably imbalance of the tumor regions and background. Our model is tested on the BraTS 2019 validation dataset, the preliminary results of mean dice coefficients are 0.886, 0.813, 0.771 for the whole tumor, tumor core and enhancing tumor respectively. Code is available at https://github.com/JohnleeHIT/Brats2019

研究の動機と目的

• MRIスキャンにおける複雑で階層的な脳腫瘍亜構造の正確なセグメンテーションの課題に対処すること。
• ディープスーパービジョンとデータ拡張を用いて、3次元U-Netの学習における過学習と勾配消失を低減すること。
• 腫瘍亜構造の階層的トポロジー（全腫瘍 → 腫瘍コア → 強化腫瘍）をモデル化することで、セグメンテーション性能を向上させること。
• 各段階でモodalitiy特化入力を使用することで、臨床的マニュアルセグメンテーションプロトコルと整合性を保つこと。
• N4バイアスフィールド補正、正規化、および拡張を施したパッチベースの学習を用いて、限られた医療画像データにおける一般化性能を向上させること。

提案手法

• 全腫瘍（WT）を最初に、次に腫瘍コア（TC）、最後に強化腫瘍（ET）の順に粗いものから細かいものへ段階的に処理する多段階段階的3次元U-Netアーキテクチャを採用する。
• モダリティ特化入力（WTにはFLAIRとT1ce、TCとETにはT1ce）を用い、臨床的アノテーションプロトコルとの整合性を確保する。
• スキップ接続とU-Netエンコーダ-デコーダ構造を統合し、空間的コンテキストを保持するとともに、エンドツーエンド学習を可能にする。
• 各段階で補助出力を用いたディープスーパービジョンを適用し、学習の安定化と勾配消失の緩和を図る。
• 3次元パッチのクロップ領域に対して回転、反転、強度のジャイタリングなどのデータ拡張を適用し、過学習を低減する。
• 腫瘍領域とバックグラウンドのクラス不均衡に対処するため、ファーコス損失を適用し、希少または小さな腫瘍亜構造のセグメンテーション精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 単一段階モデルと比較して、粗いものから細かいものへの段階的アプローチは、階層的な脳腫瘍亜構造のセグメンテーション精度を向上させるか？
• RQ2 3次元医療画像セグメンテーションにおける勾配消失と過学習の緩和に、ディープスーパービジョンはどの程度効果的か？
• RQ3 各段階でのモダリティ特化入力選択は、臨床的アノテーション基準との整合性をどの程度向上させるか？
• RQ4 限られたBraTS 2019データ上で学習する場合、データ拡張は一般化性能を顕著に向上させるか？
• RQ5 クラス不均衡な腫瘍セグメンテーションタスクにおいて、ファーコス損失は性能にどのように影響するか？

主な発見

• モデルはBraTS 2019検証セットにおいて、全腫瘍（WT）亜構造で平均Dice係数0.886を達成した。
• 腫瘍コア（TC）亜構造は平均Diceスコア0.813を達成し、より複雑なセグメンテーションタスクにおいても強力な性能を示した。
• 強化腫瘍（ET）亜構造は平均Diceスコア0.771を達成し、小規模かつコントラストが低いことから最も困難なセグメンテーションタスクであることがうかがえる。
• TCのDiceスコアの分散はETよりも高かったため、WTをTCとして誤分類するケースが一般的な失敗モードであると示唆された。特にLGG症例で顕著であった。
• ほとんどの指標において、検証セットの性能が訓練セットを上回った。これは、データ拡張とディープスーパービジョンを適用しても一部の過学習が生じている可能性を示している。
• カリキュラム学習と段階的学習の重み付けは結果を改善しなかった。これは、このアーキテクチャにおいてエンドツーエンド学習がより効果的であることを示唆している。