SegAN: 多尺度$L_1$損失を用いた医療画像セグメンテーションの敵対的ネットワーク

古典的な生成対抗ネットワーク（GAN）に着想を得て、医療画像セグメンテーションのタスク向けに新しいエンドツーエンドの対抗ニューラルネットワークであるSegANを提案します。画像セグメンテーションは密集したピクセルレベルのラベリングを必要とするため、古典的なGANの識別器が単一スカラの真/偽出力を提供するだけでは、ネットワークに対して安定かつ十分な勾配フィードバックを生成することが非効果的かもしれません。そこで、セグメンテーションラベルマップを生成するために完全畳み込みニューラルネットワークを使用し、識別器とセグメンターが長距離および短距離のピクセル間空間関係を捉えるグローバルおよびローカル特徴を学習するように多尺度$L_1$損失関数を持つ新しい対抗評価者ネットワークを提案します。SegANフレームワークにおいて、セグメンターと評価者ネットワークは最小最大ゲームの中で交互に訓練されます：評価者は（元画像 * 予測ラベルマップ, 元画像 * 正解ラベルマップ）という画像ペアを受け取り、多尺度損失関数を最大化することによって訓練されます；セグメンターは評価者から渡される勾配のみを使用して訓練され、その目的は多尺度損失関数を最小化することです。我々はこのようなSegANフレームワークがセグメンテーションタスクに対してより効果的で安定しており、最先端のU-netセグメンテーション手法よりも優れた性能を達成できることを示します。MICCAI BRATS脳腫瘍セグメンテーションチャレンジからのデータセットを使用してSegAN手法を検証しました。広範な実験結果により、提案された多尺度損失を持つSegANの有効性が示されています：BRATS 2013では全腫瘍および腫瘍コアのセグメンテーションにおいて最先端と同等の性能を示しながら、Gd強化腫瘍コアのセグメンテーションではより高い精度と感度を達成しています；BRATS 2015ではダイス係数と精度において最先端を超える性能を達成しています。