多発性硬化症のセグメンテーションのための神経ファジーパッチワイズR-CNN

Neuro-fuzzy patch-wise R-CNN for multiple sclerosis segmentation.

• Ehab Essa
• Doaa Aldesouky
• Sherif E Hussein
• M Z Rashad

抄録

病変のセグメンテーションは、多発性硬化症（MS）の診断とモニタリングにおいて中核的な役割を果たしている。このような病変を評価するために使用される画像モダリティとしては、磁気共鳴画像法（MRI）が最も頻繁に使用されています。膨大なデータ量のため、手動でのセグメンテーションは感覚的な時間内に達成することができず、臨床現場での正確な定量測定の利用を制限しています。したがって、効果的な自動化されたセグメンテーション技術の必要性は非常に重要である。しかし、脳病変の構造間の空間的なばらつきが大きいことが、より困難な課題となっています。近年、畳み込みニューラルネットワーク（CNN）、特に地域ベースのCNN（R-CNN）は、その特徴を学習して表現する能力の高さから、物体認識の分野で大きな進歩を遂げています。CNNは物体認識をはじめとする様々な分野で画期的な性能を証明しており、脳イメージング、特に組織や脳のセグメンテーションの分野でも注目を集めています。本論文では、3DパッチワイズR-CNNを用いたMS病変セグメンテーションの自動化手法を提案する。提案システムは2つの段階から構成されており、まずR-CNNを用いてT2-wおよびFLAIRシーケンスでMS病変をセグメンテーションし、次に適応的ニューロファジィ推論システム(ANFIS)を適用して2つのモダリティの結果を融合させることで、MS病変のセグメンテーションを自動化する。提案手法の性能を評価するために、MICCAI2008のMSチャレンジデータセットを用いてMS病変のセグメント化を行った。実験の結果，提案手法は，MICCAI2008のテストセットにおいて，平均総合スコア83.25，平均感度61.8%と，最先端のMS病変セグメンテーション手法と比較して遜色のない結果を示した．グラフィカルアブストラクト 提案システムの概要まず、FLAIRとT2の2つのモダリティの入力を前処理して頭蓋骨を除去し、バイアスフィールドを補正する。次に、病変組織と非病変組織の3Dパッチを抽出し、R-CNNに供給する。各R-CNNはセグメンテーション結果の確率マップを生成し、ANFISに提供して結果を融合し、最終的なMS病変のセグメンテーションを取得します。MS病変は、前処理されたFLAIR画像上に表示されます。

The segmentation of the lesion plays a core role in diagnosis and monitoring of multiple sclerosis (MS). Magnetic resonance imaging (MRI) is the most frequent image modality used to evaluate such lesions. Because of the massive amount of data, manual segmentation cannot be achieved within a sensible time that restricts the usage of accurate quantitative measurement in clinical practice. Therefore, the need for effective automated segmentation techniques is critical. However, a large spatial variability between the structure of brain lesions makes it more challenging. Recently, convolutional neural network (CNN), in particular, the region-based CNN (R-CNN), have attained tremendous progress within the field of object recognition because of its ability to learn and represent features. CNN has proven a last-breaking performance in various fields, such as object recognition, and has also gained more attention in brain imaging, especially in tissue and brain segmentation. In this paper, an automated technique for MS lesion segmentation is proposed, which is built on a 3D patch-wise R-CNN. The proposed system includes two stages: first, segmenting MS lesions in T2-w and FLAIR sequences using R-CNN, then an adaptive neuro-fuzzy inference system (ANFIS) is applied to fuse the results of the two modalities. To evaluate the performance of the proposed method, the public MICCAI2008 MS challenge dataset is employed to segment MS lesions. The experimental results show competitive results of the proposed method compared with the state-of-the-art MS lesion segmentation methods with an average total score of 83.25 and an average sensitivity of 61.8% on the MICCAI2008 testing set. Graphical Abstract The proposed system overview. First, the input of two modalities FLAIR and T2 are pre-processed to remove the skull and correct the bias field. Then 3D patches for lesion and non-lesion tissues are extracted and fed to R-CNN. Each R-CNN produces a probability map of the segmentation result that provides to ANFIS to fuse the results and obtain the final MS lesion segmentation. The MS lesions are shown on a pre-processed FLAIR image.