効率的な多スケール3D CNNと全結合CRFを用いた正確な脳病変セグメンテーション

脳病変セグメンテーションという課題に対して、二重パスウェイの11層の三次元畳み込みニューラルネットワーク（CNN）を提案します。この設計されたアーキテクチャは、同様のアプリケーション向けに提案されている現在のネットワークの制限点について詳細な分析の結果として得られました。3D医療スキャンの処理に伴う計算負荷を克服するために、隣接する画像パッチの処理をネットワークを通じて一回で行い、データに内在するクラス不均衡に自動的に適応する効率的かつ効果的な密集訓練スキームを開発しました。さらに、より深い（従ってより識別力のある）3D CNNの開発について分析しています。局所的な情報と大域的な文脈情報を両方取り入れるため、入力画像を複数のスケールで同時に処理する二重パスウェイアーキテクチャを採用しています。ネットワークによるソフトセグメンテーションの後処理には、3D完全結合条件随伴確率場（CRF）を使用し、偽陽性を効果的に除去します。当社のパイプラインは、多チャンネルMRI患者データにおける外傷性脳損傷、脳腫瘍、虚血性脳卒中の3つの困難な病変セグメンテーションタスクで広範囲に評価されました。これらすべてのアプリケーションにおいて最先端技術を上回り、公的ベンチマークBRATS 2015およびISLES 2015でトップクラスの性能を達成しました。当社の方法は計算効率が高く、さまざまな研究や臨床環境での採用が可能となっています。実装のソースコードは公開されています。注：「post-processing」は「後処理」と訳し、「soft segmentation」は「ソフトセグメンテーション」と訳しました。「fully connected Conditional Random Field」は一般的な日本語表現として「完全結合条件随伴確率場 (CRF)」を使用しました。