`Project & Excite' Modules for Segmentation of Volumetric Medical Scans

スポンサーリンク

---

Fig1. PE moduleのProjection概念図

論文URL

https://arxiv.org/pdf/1906.04649.pdf
2019年のMICCAIで公開

ポイント

• Squeeze and Excitation (SE) ブロックのアイデアをベースに、MRIやCT等の3Dボリュームデータに対するセグメンテーションモデルに適用するProject & Excite (PE)ブロックを提案
  • SEブロックはチャンネル毎の特徴量をGlobal average poolingで圧縮するのに対し、PEブロックは空間の3軸それぞれの軸に沿って特徴量を圧縮する(Fig1)。
  • チャンネル単位の情報圧縮では空間的な特徴を潰しすぎるとの仮説に基づくアイデア
• 3D U-NetにPEブロックを適用した結果
  • DICEスコアが4%向上
  • 小さい領域のセグメンテーション性能向上が特に目立つ

PEブロック

Fig2. PEブロック

1. 高さ(H)方向、幅(W)方向、深さ(D)方向それぞれの方向に、チャンネル(C)別に特徴量テンソルの平均を取る
   • H×C、W×C、D×Cのテンソルを得る
2. 上記3つのテンソルをタイリングし(繰り返し並べて)、元のH×W×D×Cのテンソルにサイズをそろえ、それら3つのテンソルの和を取る
3. 1×1×1の畳み込みを2回行い、アテンションマップを計算
   • 最初の畳み込みでチャンネル数を1/rに圧縮
   • 2回目の畳み込みで元のチャンネル数に戻し、sigmoidで[0, 1]の値に変換
4. 入力テンソルとアテンションマップの要素積を計算

評価結果

• 評価データセット
  1. Multi-Atlas Labelling Challenge (MALC) dataset
     • MRI T1を用いた脳のセグメンテーションデータセット
  2. Visceral
     • contrast enhanced CTを用いた全身セグメンテーション用データセット

• 3D cSEは3D U-Netに3次元に拡張したSEブロックを適用したモデル
  • MALCデータセットではただの3D U-Netより高性能だが、Visceralデータセットでは低性能
• PEブロックによりDICEスコアが大きく改善しているクラスは小さい構造の部位

セグメンテーション結果

• 白矢印箇所がPEブロックにより顕著に改善した小さい構造

---

スポンサーリンク

---