深層CNNアンサンブルと示唆的アノテーションを用いた乳児脳MRIセグメンテーション

新生児脳組織の精密な3次元セグメンテーションは、早期脳発達に関する包括的な体積研究と定量分析への重要なステップです。しかし、特に6ヶ月の新生児脳において、画像品質の悪さや新生児脳MRIに固有の他の困難（白質と灰質間の等シグナルコントラストや小さな脳サイズによる深刻な部分体積効果など）により、このようなセグメンテーションを計算することは非常に困難です。本研究では、T1重み付けおよびT2重み付けMRI画像を入力として使用する半密結合完全畳み込みニューラルネットワーク（CNN）のアンサンブルを用いてこの問題を調査しました。我々は、アンサンブルの一貫性がセグメンテーション誤差と強く相関していることを示しました。したがって、当方法は局所的なユーザーコレクションをガイドするための指標を提供します。当方の知る限り、本作業は画像内のアノテーション提案に向けた3次元CNNの最初のアンサンブルであると言えます。さらに、最近の密集ネットワークの成功に触発されて、すべての畳み込み層をネットワーク終端に直接接続する新しいアーキテクチャ「SemiDenseNet」を提案します。当アーキテクチャは訓練時に勾配伝播を効率化しながら、パラメータ数を制限し、3D U-Netなどの一般的な医療画像セグメンテーションネットワークよりも1桁少ないパラメータで済むように設計されています。また、当研究における別の貢献点として、複数モダリティ画像の初期融合または後期融合が深層構造の性能に与える影響について検討しています。我々はMICCAI iSEG-2017チャレンジにおける6ヶ月新生児脳MRIセグメンテーション公開データセットでの評価結果を報告し、21チーム中多くの指標で1位または2位という非常に競争力のある結果を得ました。