Investigating certain choices of CNN configurations for brain lesion segmentation

要約

脳腫瘍の画像診断は、非侵襲的な腫瘍の検出と等級付けを行うために、長年にわたり臨床ルーチンの一部となっている。腫瘍のセグメンテーションは、原発性脳腫瘍の管理にとって重要なステップである。なぜなら、腫瘍の拡大・縮小を縦断的に追跡するための体積分析が可能となり、病気の進行や治療効果をモニターできるからである。さらに、ラジオミクスのような定量的な分析が容易になる。ディープラーニングモデル、特にCNNは、脳腫瘍のセグメンテーションを含む医療画像解析の多くのアプリケーションで選ばれている方法論である。本研究では、MRIに基づく脳腫瘍のセグメンテーションという特定のタスクのためのCNNモデルの主要な設計の側面を調査した。一般的に使用されている2つのCNNアーキテクチャ（すなわちDeepMedicとU-Net）を用いて、学習率、バッチサイズ、損失関数、最適化器などの本質的なパラメータの影響を評価するために使用した。異なる構成を用いたCNNモデルの性能をBraTS 2018データセットで評価し、最も性能の高いモデルを決定した。その後、モデルの汎化能力を当社の社内データセットを用いて評価しました。すべての実験において、U-NetはDeepMedicと比較してより高いDSCを達成しました。しかし、その差はFLAIRシーケンスデータを用いた腫瘍全体のセグメンテーションとT1wシーケンスデータを用いた腫瘍コアのセグメンテーションにおいてのみ、統計的に有意であった。U-NetおよびDeepMedicアーキテクチャを用いたCNNモデルの学習では、初期学習率を0.001に設定したAdamおよびSGDの両方が、それぞれ最高のセグメンテーションDSCを提供することが示された。異なる正規化アプローチを用いた場合、有意な差は見られなかった。損失関数に関しては、重み付け項を0.5に設定したソフトダイスとクロスエントロピ損失の重み付け組み合わせにより、DeepMedicモデルとU-Netモデルの両方でセグメンテーション性能と学習安定性が改善された。

要約(オリジナル)

Brain tumor imaging has been part of the clinical routine for many years to perform non-invasive detection and grading of tumors. Tumor segmentation is a crucial step for managing primary brain tumors because it allows a volumetric analysis to have a longitudinal follow-up of tumor growth or shrinkage to monitor disease progression and therapy response. In addition, it facilitates further quantitative analysis such as radiomics. Deep learning models, in particular CNNs, have been a methodology of choice in many applications of medical image analysis including brain tumor segmentation. In this study, we investigated the main design aspects of CNN models for the specific task of MRI-based brain tumor segmentation. Two commonly used CNN architectures (i.e. DeepMedic and U-Net) were used to evaluate the impact of the essential parameters such as learning rate, batch size, loss function, and optimizer. The performance of CNN models using different configurations was assessed with the BraTS 2018 dataset to determine the most performant model. Then, the generalization ability of the model was assessed using our in-house dataset. For all experiments, U-Net achieved a higher DSC compared to the DeepMedic. However, the difference was only statistically significant for whole tumor segmentation using FLAIR sequence data and tumor core segmentation using T1w sequence data. Adam and SGD both with the initial learning rate set to 0.001 provided the highest segmentation DSC when training the CNN model using U-Net and DeepMedic architectures, respectively. No significant difference was observed when using different normalization approaches. In terms of loss functions, a weighted combination of soft Dice and cross-entropy loss with the weighting term set to 0.5 resulted in an improved segmentation performance and training stability for both DeepMedic and U-Net models.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL