[論文レビュー] PatchFCN for Intracranial Hemorrhage Detection

Weicheng Kuo, Christian Häne+3 more|arXiv (Cornell University)|Jun 8, 2018

Brain Tumor Detection and Classification参考文献 24被引用数 12

ひとこと要約

PatchFCNは、頭部CTスキャンにおける脳内出血のセマンティックセグメンテーションのためのパッチベースの完全畳み込みネットワークを提案する。弱い教師付き手法に比べ100分の1の学習データで人間の専門家水準の性能（後向きテストセットでAUC 0.976）を達成した。パッチベースの学習とスライディングウインドウ推論により、バッチの多様性とコンテキストのバランスを図ることで、標準的なFCNを上回る性能を発揮した。

ABSTRACT

This paper studies the problem of detecting and segmenting acute intracranial hemorrhage on head computed tomography (CT) scans. We propose to solve both tasks as a semantic segmentation problem using a patch-based fully convolutional network (PatchFCN). This formulation allows us to accurately localize hemorrhages while bypassing the complexity of object detection. Our system demonstrates competitive performance with a human expert and the state-of-the-art on classification tasks (0.976, 0.966 AUC of ROC on retrospective and prospective test sets) and on segmentation tasks (0.785 pixel AP, 0.766 Dice score), while using much less data and a simpler system. In addition, we conduct a series of controlled experiments to understand "why" PatchFCN outperforms standard FCN. Our studies show that PatchFCN finds a good trade-off between batch diversity and the amount of context during training. These findings may also apply to other medical segmentation tasks.

研究の動機と目的

• 頭部CTスキャンにおける脳内出血の正確な検出と局在化のためのセマンティックセグメンテーション手法の開発。
• 出血検出のための医療画像における競争力のあるセマンティックセグメンテーションアプローチの不足に対処すること。
• より小さな完全ピクセルアノテーション済みデータセットを用いることで、大規模な弱教師付きデータへの依存を低減すること。
• パッチベースの学習が医療画像セグメンテーションタスクにおいて標準的なFCNを上回る理由を理解すること。
• 学習中にバッチの多様性と文脈情報のトレードオフを最適化すること。

提案手法

• PatchFCNは、出血領域の周囲からランダムに抽出した小さなパッチを用いて、完全畳み込みネットワークを学習させ、局所的特徴の学習を向上させる。
• モデルはバッチ正規化を用い、小さなパッチで学習することでバッチの多様性を高め、限られたデータでも学習を安定化させる。
• 推論時、パッチ学習と全画像テストの間のドメインシフトを最小限に抑えるために、画像全体にわたるスライディングウインドウ戦略を採用する。
• ピクセルレベルの予測は、重複するウインドウ出力の平均化により統合され、フレームレベルのスコアは各CTスライス内のピクセルスコアの平均化により計算される。
• 臨床的ニーズに合わせ、出血を「ストラクチャー（物質的領域）」（液体に似た領域）として扱い、離散的物体（モノラス）として扱わない。
• アブレーションスタディでは、パッチサイズ、バッチサイズ、推論戦略を比較し、バッチの多様性、文脈、推論手法による性能向上の要因を特定する。

実験結果

リサーチクエスチョン

• RQ1 なぜパッチベースの学習が脳内出血セグメンテーションにおいて標準的な完全畳み込みネットワーク（FCN）の学習を上回るのか？
• RQ2 限られた医療画像データに対して、パッチベースの学習におけるバッチの多様性と文脈長の最適なバランスは何か？
• RQ3 テスト時のスライディングウインドウ推論は、完全畳み込み推論と比較して、ドメインシフトをどのように低減するのか？
• RQ4 パッチサイズが性能に与える影響は何か？また、あるサイズを超えて文脈を追加しても効果が薄れる（限界効果）のか？
• RQ5 PatchFCNと標準FCNはどのような視覚的手がかりに依存しており、これは一般化性能にどのように影響するか？

主な発見

• テストセットにおいて、PatchFCNはピクセルレベルの平均適合率（AP）が0.785、Diceスコアが0.766を達成し、強力なセグメンテーション性能を示した。
• 分類タスクでは、後向きテストセットでAUC 0.976、前向きテストセットでAUC 0.966を達成し、専門家水準の性能を再現した。
• バッチの多様性をN=4未満に低下させると、性能が著しく低下（N=4のときDice: 74.7%、N=2のときDice: 57.5%）し、バッチの多様性の重要性が明らかになった。
• パッチサイズが240ピクセルに達すると性能が頭打ちとなり、C=240を超えてもさらなる向上が得られなかったため、このタスクにおける最適な文脈長が特定された。
• スライディングウインドウ推論は完全畳み込み推論よりも一貫して性能を向上させ、特に最小パッチサイズ（C=80）で最大の向上（Diceスコア6.1%増加）を示した。
• 勾配可視化の結果、PatchFCNは局所的な形態的特徴に注目しているのに対し、標準FCNは限られたデータで過学習を引き起こす可能性のある長距離依存性を学習していることがわかった。