[論文レビュー] Siamese LSTM based Fiber Structural Similarity Network (FS2Net) for Rotation Invariant Brain Tractography Segmentation

Shreyas Malakarjun Patil, Aditya Nigam+2 more|arXiv (Cornell University)|Dec 28, 2017

Advanced Neuroimaging Techniques and Applications参考文献 5被引用数 7

ひとこと要約

本稿では、回転不変性を持つ脳線条体図のセグメンテーションのための構造的類似性を学習する、シアンプス型LSTM-BiLSTMアーキテクチャであるFS2Netを提案する。双方向LSTMを用いてペアで比較することで、登録されておらず回転させたテストデータに対しても、わずか11,000対の訓練データで、SOTAの精度（最大92.91％のマクロ）を達成する。

ABSTRACT

In this paper, we propose a novel deep learning architecture combining stacked Bi-directional LSTM and LSTMs with the Siamese network architecture for segmentation of brain fibers, obtained from tractography data, into anatomically meaningful clusters. The proposed network learns the structural difference between fibers of different classes, which enables it to classify fibers with high accuracy. Importantly, capturing such deep inter and intra class structural relationship also ensures that the segmentation is robust to relative rotation among test and training data, hence can be used with unregistered data. Our extensive experimentation over order of hundred-thousands of fibers show that the proposed model achieves state-of-the-art results, even in cases of large relative rotations between test and training data.

研究の動機と目的

• DTIデータから脳線条体図を正確に自動セグメンテーションできる深層学習モデルの開発。
• 脳線条体図セグメンテーションにおける灰色・白質線維間のデータ不均衡問題の解決。
• 訓練データとテストデータの間の相対的回転に対してロバストであることを保証し、登録されていない脳スキャンでも利用可能にする。
• 最小限の訓練データで高い性能を達成し、従来手法よりも計算効率を向上させる。
• マクロ（灰色対白質）およびマイクロ（8種類の白質サブタイプ）レベルでの階層的分類を可能にする。

提案手法

• 同じ重みを共有することで、線維の構造的類似性を学習するため、ペアの線維を比較するシアンプス型ネットワークアーキテクチャを採用。
• 長距離依存性および方向パターンを捉えるために、双方向LSTM（Bi-LSTM）を用いる。
• 曲率に基づくプリーニングを適用し、高曲率点を保持することで、線維長のばらつきを低減し、スケール不変性を向上させる。
• 線維を3次元点列として処理し、プリーニング後に75％の点を保持し、固定長にゼロパディングする。
• 相対的な構造的パターンに注目することで、回転に不変な類似性メトリクスを学習するため、線維ペアを用いて訓練する。
• 類似する線維間の距離を最小化し、類似しない線維間の距離を最大化するように最適化するため、コントラスト型損失関数を用いる。

実験結果

リサーチクエスチョン

• RQ1 シアンプス型LSTM-BiLSTMアーキテクチャは、訓練データとテストデータの間の相対的回転に対してロバストでありながら、高い精度で脳線条体図セグメンテーションを達成できるか？
• RQ2 特に少数派の白質線維サブタイプの分類において、本手法はデータ不均衡に対してどのように性能を発揮するか？
• RQ3 1体または複数体の被験者で訓練した場合、異なる被験者（被験者間テスト）に対してどの程度一般化できるか？
• RQ4 80,000本の線維を用いた従来手法よりもはるかに少ない11,000対の訓練ペアで、SOTAの性能を達成できるか？
• RQ5 絶対的パスパターンではなく構造的類似性を学習することで、線維分類における回転不変性が実現できるか？

主な発見

• 被験者2で訓練し、被験者1および被験者3でテストした被験者間テストにおいて、FS2Netはマクロレベルで92.91％の精度を達成し、従来手法を上回った。
• 回転に対して高い性能を維持し、被験者内設定で30°回転時にも88.03％の精度を示し、強力な回転不変性を示した。
• 被験者内ケースでは白質線維のリコールが88.03％に達し、白質線維が全線維の10％しか占めないにもかかわらず、データ不均衡の処理が効果的であった。
• わずか11,000対の訓練ペアでSOTAの結果を達成し、従来手法が80,000本の線維を必要としていたのと比較して、訓練データと計算コストを大幅に削減した。
• 統合被験者で訓練した場合、マクロ精度は88.36％、リコールは85.91％を達成し、被験者間での一般化性能が優れていた。
• 回転角度が増加してもネットワークの性能は安定しており、わずかな精度低下にとどまり、BrainSegNetのような従来手法が回転に対して急激に性能を落とすのとは対照的であった。