統計形状モデルに基づいた畳み込みニューラルネットワークアーキテクチャとトレーニング戦略を使用したMRIの前立腺セグメンテーション

目的：既存の畳み込みニューラルネットワーク（CNN）ベースの医療画像セグメンテーション方法のほとんどは、もともと自然画像のセグメンテーションのために開発された方法に基づいています。したがって、それらは、ターゲットボリュームの形状と外観のばらつきの程度や医療用途でのトレーニングデータの量が少ないなど、2つのドメイン間の違いをほとんど無視します。これらの問題に対処するために統計形状モデルを使用するMRIの前立腺セグメンテーションのためのCNNベースの方法を提案します。 方法：CNNは、前立腺表面のキーポイントの位置を決定する前立腺中心の位置と形状モデルのパラメーターを予測します。小さなデータを使用して3D画像のセグメンテーションのためのこのような大きなモデルをトレーニングするために（1）最初にネットワークをトレーニングして前立腺中心を予測し、その後、形状モデルと前立腺回転のパラメーターを予測するためのモジュールを追加することにより、ステージワイズトレーニング戦略を採用します。（2）形状モデルに基づいて計算された変位に従ってトレーニング画像とその前立腺表面のキーポイントが変形するデータ増強方法を提案し、（3）さまざまな正則化手法を使用します。 結果：提案された方法では、0.88のサイコロスコアが達成されます。これは、正規化のために弾性ネットとスペクトルドロップアウトの両方を使用することで得られます。標準のCNNベースの方法と比較して、この方法では、前立腺塩基と頂点でのセグメンテーション性能が大幅に向上することが示されています。また、我々の実験は、形状モデルを使用したデータ増強がセグメンテーションの結果を大幅に改善することを示しています。 結論：ターゲットオルガンの形状に関する事前知識は、特に正確なセグメンテーションには画像機能が十分ではない場合、CNNベースのセグメンテーション方法の性能を改善できます。統計形状モデルを使用して、大規模なCNNSのトレーニングを容易にできる追加のトレーニングデータを合成することもできます。

PURPOSE: Most of the existing convolutional neural network (CNN)-based medical image segmentation methods are based on methods that have originally been developed for segmentation of natural images. Therefore, they largely ignore the differences between the two domains, such as the smaller degree of variability in the shape and appearance of the target volume and the smaller amounts of training data in medical applications. We propose a CNN-based method for prostate segmentation in MRI that employs statistical shape models to address these issues. METHODS: Our CNN predicts the location of the prostate center and the parameters of the shape model, which determine the position of prostate surface keypoints. To train such a large model for segmentation of 3D images using small data (1) we adopt a stage-wise training strategy by first training the network to predict the prostate center and subsequently adding modules for predicting the parameters of the shape model and prostate rotation, (2) we propose a data augmentation method whereby the training images and their prostate surface keypoints are deformed according to the displacements computed based on the shape model, and (3) we employ various regularization techniques. RESULTS: Our proposed method achieves a Dice score of 0.88, which is obtained by using both elastic-net and spectral dropout for regularization. Compared with a standard CNN-based method, our method shows significantly better segmentation performance on the prostate base and apex. Our experiments also show that data augmentation using the shape model significantly improves the segmentation results. CONCLUSIONS: Prior knowledge about the shape of the target organ can improve the performance of CNN-based segmentation methods, especially where image features are not sufficient for a precise segmentation. Statistical shape models can also be employed to synthesize additional training data that can ease the training of large CNNs.