Integrating Edges into U-Net Models with Explainable Activation Maps for Brain Tumor Segmentation using MR Images

要約

磁気共鳴 (MR) 画像から手動で腫瘍領域を描写するのは時間がかかり、専門家が必要であり、人的ミスが発生しやすいです。
近年、深層学習モデルは脳腫瘍のセグメンテーションにおける頼りになるアプローチとなっています。
U-Net とその医療画像のセマンティック セグメンテーションのバリアントは、文献で良好な結果を達成しています。
ただし、U-Net とその亜種は腫瘍領域を過剰にセグメント化する傾向があり、腫瘍の端を正確にセグメント化できない可能性があります。
腫瘍の端は、正確な診断、手術の精度、治療計画にとって腫瘍領域と同じくらい重要です。
提案された研究では、著者らは、導関数のようなフィルターを使用してグランド トゥルースからエッジを抽出し、その後エッジを再構築して、脳腫瘍のグランド トゥルースに加えてエッジ グランド トゥルースを取得することを目的としています。
著者は、両方のグラウンド トゥルースを利用して、脳腫瘍セグメンテーションの腫瘍グラウンド トゥルースとともに、腫瘍エッジ グラウンド トゥルースをターゲットとして使用する場合と使用しない場合のいくつかの U-Net とそのバリアント アーキテクチャを研究しています。
著者は BraTS2020 ベン​​チマーク データセットを使用して調査を実行し、結果はサイコロと Hausdorff95 メトリクスについて表にまとめられています。
平均および中央値のメトリクスは、腫瘍全体 (WT)、腫瘍コア (TC)、および腫瘍増強 (ET) 領域について計算されます。
ベースライン U-Net とそのバリアントと比較して、腫瘍領域とともにエッジを学習したモデルは、トレーニング データセットと検証データセットの両方でコア腫瘍領域で良好なパフォーマンスを示しました。
U-Net や V-Net などのベースライン モデルでトレーニングされたエッジ トレーニング モデルのパフォーマンスの向上により、Swin U-Net やハイブリッド MR-U-Net などのベースラインの最先端モデルと同様のパフォーマンスが達成されました。
エッジターゲットでトレーニングされたモデルは、治療計画に役立つエッジ マップを生成できます。
さらに、結果をさらに説明しやすくするために、ハイブリッド MR-U-Net によって生成された活性化マップが研究されました。

要約(オリジナル)

Manual delineation of tumor regions from magnetic resonance (MR) images is time-consuming, requires an expert, and is prone to human error. In recent years, deep learning models have been the go-to approach for the segmentation of brain tumors. U-Net and its’ variants for semantic segmentation of medical images have achieved good results in the literature. However, U-Net and its’ variants tend to over-segment tumor regions and may not accurately segment the tumor edges. The edges of the tumor are as important as the tumor regions for accurate diagnosis, surgical precision, and treatment planning. In the proposed work, the authors aim to extract edges from the ground truth using a derivative-like filter followed by edge reconstruction to obtain an edge ground truth in addition to the brain tumor ground truth. Utilizing both ground truths, the author studies several U-Net and its’ variant architectures with and without tumor edges ground truth as a target along with the tumor ground truth for brain tumor segmentation. The author used the BraTS2020 benchmark dataset to perform the study and the results are tabulated for the dice and Hausdorff95 metrics. The mean and median metrics are calculated for the whole tumor (WT), tumor core (TC), and enhancing tumor (ET) regions. Compared to the baseline U-Net and its variants, the models that learned edges along with the tumor regions performed well in core tumor regions in both training and validation datasets. The improved performance of edge-trained models trained on baseline models like U-Net and V-Net achieved performance similar to baseline state-of-the-art models like Swin U-Net and hybrid MR-U-Net. The edge-target trained models are capable of generating edge maps that can be useful for treatment planning. Additionally, for further explainability of the results, the activation map generated by the hybrid MR-U-Net has been studied.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google