[論文レビュー] Shape-Aware Organ Segmentation by Predicting Signed Distance Maps

Yuan Xue, Hui Tang+7 more|arXiv (Cornell University)|Dec 9, 2019

Advanced Neural Network Applications参考文献 27被引用数 13

ひとこと要約

本稿では、符号付き距離マップ（SDM）とバイナリーセグメンテーションマップを同時に予測する、新規の3次元ディープラーニングフレームワークを提案する。SDMの形状正則化特性を活用することで、セグメンテーションの滑らかさと正確性が向上する。微分可能なヘヴィサイド関数と新しい回帰損失関数を用いて3D U-Netバックボーンを訓練することで、海馬および頭頸部セグメンテーションデータセットで最先端の性能を達成し、ハウスドルフ距離と平均表面距離を顕著に低減するとともに、Diceスコアを5%以上向上させた。

ABSTRACT

In this work, we propose to resolve the issue existing in current deep learning based organ segmentation systems that they often produce results that do not capture the overall shape of the target organ and often lack smoothness. Since there is a rigorous mapping between the Signed Distance Map (SDM) calculated from object boundary contours and the binary segmentation map, we exploit the feasibility of learning the SDM directly from medical scans. By converting the segmentation task into predicting an SDM, we show that our proposed method retains superior segmentation performance and has better smoothness and continuity in shape. To leverage the complementary information in traditional segmentation training, we introduce an approximated Heaviside function to train the model by predicting SDMs and segmentation maps simultaneously. We validate our proposed models by conducting extensive experiments on a hippocampus segmentation dataset and the public MICCAI 2015 Head and Neck Auto Segmentation Challenge dataset with multiple organs. While our carefully designed backbone 3D segmentation network improves the Dice coefficient by more than 5% compared to current state-of-the-arts, the proposed model with SDM learning produces smoother segmentation results with smaller Hausdorff distance and average surface distance, thus proving the effectiveness of our method.

研究の動機と目的

• 2次元スライス間での手動アノテーションの不一致に起因する、3次元における深層学習ベースの臓器セグメンテーションの形状認識不足と滑らかさの欠如に対処する。
• ノイズやスパarsityのあるアノテーションによる影響を受ける従来のセグメンテーションネットワークが生じる粗いまたは不連続な境界を克服する。
• 直接的なSDM回帰による微分可能で形状に配慮した正則化を導入し、グローバルな構造的一致性を強制する。
• 微分可能なヘヴィサイド関数を用いて、セグメンテーションマップとSDMの両方を共同で学習させることで、セグメンテーション性能を向上させる。
• 本手法の有効性を、単一臓器（海馬）および多臓器（頭頸部）セグメンテーションタスクの両方で示す。

提案手法

• 臓器の形状とサイズの変動をよりよく捉えるために、受容 field を拡大し、より深く構造化された3次元U-Netベースのバックボーンネットワークを提案する。
• モデルを、バイナリーセグメンテーションマップと符号付き距離マップ（SDM）の両方を同時に予測する共同学習フレームワークで訓練する。
• バックプロパゲーション中に予測されたSDMをセグメンテーションマップに変換するために、ヘヴィサイドステップ関数の微分可能近似を用いる。
• 不正確なSDM予測に対して勾配を強化する新しい回帰損失関数を導入し、トレーニングの安定性と収束性を向上させる。
• SDMとバイナリーセグメンテーションマップの厳密な数学的対応関係を活用する：点が臓器内にあるのはSDM < 0 の場合、外にあるのはSDM > 0 の場合である。
• 推論時にヘヴィサイド関数を適用し、予測されたSDMを最終的なセグメンテーション出力に変換する。

実験結果

リサーチクエスチョン

• RQ1 符号付き距離マップ（SDM）の直接的回帰は、3次元医療画像における深層学習ベースの臓器セグメンテーションの形状整合性と滑らかさを向上させ得るか？
• RQ2 微分可能なヘヴィサイド関数を用いたセグメンテーションマップとSDMの共同学習は、単独でのセグメンテーション学習と比較して、セグメンテーション性能にどのように影響するか？
• RQ3 提案された回帰損失は、SDM予測の収束性と正確性において、標準的なL1損失を上回るか？
• RQ4 SDM学習は、小規模（例：海馬）および大規模（例：下あご）臓器の両方において、セグメンテーション性能をどの程度向上させるか？
• RQ5 本手法は、サイズや形状が異なる多臓器セグメンテーションタスク（例：MICCAI 2015 頭頸部データセット）に一般化可能か？

主な発見

• MICCAI 2015 多臓器データセットにおいて、本手法は平均ハウスドルフ距離（HD）5.07 mm、平均表面距離（ASD）0.39 mmを達成し、Dice損失を用いたベースラインバックボーンを顕著に上回った。
• 海馬データセットでは、最先端手法と比較してDice係数が5%以上向上し、優れたセグメンテーション正確性を示した。
• SDMとセグメンテーションマップの共同学習により、Dice損失単独での学習と比較して、HDが4.48 mm、ASDが0.86 mm低減された。
• 定性的な結果から、予測されたSDMから導出されたセグメンテーションマップは、標準モデルと比較して、特に3次元において顕著に滑らかく、臓器形状をよりよく保持していることが明らかになった。
• アブレーションスタディにより、提案された回帰損失は誤差に対してより大きな勾配の大きさをもたらし、L1損失と比較してより安定的かつ効果的なトレーニングが可能であることが確認された。
• 視交叉のような小規模臓器でさえも、本手法は全体の形状を保持し、臓器全体にわたって一貫性のあるSDMを生成したため、強力な一般化可能性を示した。