Building Brain Tumor Segmentation Networks with User-Assisted Filter Estimation and Selection

要約

脳腫瘍の画像セグメンテーションは、深層学習モデルが最良の結果をもたらした挑戦的な研究テーマです。
ただし、事前にアノテーションが付けられた多くの画像からこれらのモデルをトレーニングする従来の方法では、いくつかの未解決の疑問が残ります。
したがって、Feature Learning from Image Markers (FLIM) などの方法論では、データ アノテーションにおける人的労力を軽減し、特定の問題に対して十分に深いモデルを構築するために、学習ループに専門家が関与しています。
FLIM はエンコーダの作成に使用され、マーカー ボクセルを中心としたパッチからすべての畳み込み層のフィルターを推定することに成功しています。
この研究では、複数の FLIM 実行から最も関連性の高いフィルターを推定および選択するためのユーザー支援アプローチであるマルチステップ (MS) FLIM を紹介します。
MS-FLIM は最初の畳み込み層にのみ使用されており、その結果はすでに FLIM よりも改善されていることが示されています。
評価のために、T1Gd および FLAIR MRI スキャンを使用し、FLIM、MS-FLIM、およびバックプロパゲーション アルゴリズムを使用してエンコーダーのトレーニング方法を変更し、神経膠芽腫セグメンテーション用の sU-Net という名前の単純な U 字型エンコーダー/デコーダー ネットワークを構築します。
また、2 つのデータセットを使用して、これらの sU-Net を 2 つの最先端 (SOTA) 深層学習モデルと比較しました。
結果は、MS-FLIM に基づく sU-Net が他のトレーニング方法よりも優れており、SOTA モデルの標準偏差内で有効性を達成していることを示しています。

要約(オリジナル)

Brain tumor image segmentation is a challenging research topic in which deep-learning models have presented the best results. However, the traditional way of training those models from many pre-annotated images leaves several unanswered questions. Hence methodologies, such as Feature Learning from Image Markers (FLIM), have involved an expert in the learning loop to reduce human effort in data annotation and build models sufficiently deep for a given problem. FLIM has been successfully used to create encoders, estimating the filters of all convolutional layers from patches centered at marker voxels. In this work, we present Multi-Step (MS) FLIM – a user-assisted approach to estimating and selecting the most relevant filters from multiple FLIM executions. MS-FLIM is used only for the first convolutional layer, and the results already indicate improvement over FLIM. For evaluation, we build a simple U-shaped encoder-decoder network, named sU-Net, for glioblastoma segmentation using T1Gd and FLAIR MRI scans, varying the encoder’s training method, using FLIM, MS-FLIM, and backpropagation algorithm. Also, we compared these sU-Nets with two State-Of-The-Art (SOTA) deep-learning models using two datasets. The results show that the sU-Net based on MS-FLIM outperforms the other training methods and achieves effectiveness within the standard deviations of the SOTA models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google