論⽂紹介 CU-Net: Cascaded U-Net with Loss Weighted Sampling for Brain Tumor Segmentation (https://arxiv.org/abs/1907.07677) @taashi_s 

■概要 ・脳腫瘍のセグメンテーション⽤に、 U-Netをベースにしたネットワーク構造(Cascaded U-Net)を提案。 ・不均衡データに対する問題を排除するために、 Loss Weighted Sampling (LWS)というスキームを提案。 ・BraTS 2017のデータで実験し、従来⼿法より、セグメンテーション感度が良いことを⽰した。 

■脳腫瘍診断について ・T1強調MRI (T1) 今回ターゲットにしているのは、神経腫瘍。 神経腫瘍の診断には、以下のようなMRI画像を使⽤する。(らしい) ・T2強調MRI(T2)、ガドリニウム造影剤を添加したT1強調MRI（T1ce） ・ガドリニウム造影剤を添加したT1強調MRI(T1ce) ・Fluid Attenuated Inversion Recovery(FLAIR) 参照 : https://www.researchgate.net/figure/An-estimated-map-for-tumor-infiltration-from-preoperative-MRIs-Top-row-preoperative_fig3_323503123 

■参考論⽂ ・Brain tumor segmentation with deep neural networks. ２つの異なるスケールで特徴抽出するための２経路のCNNの提案 ・Automatic brain tumor segmen- tation using cascaded anisotropic convolutional neural networks. 脳腫瘍の階層に従った３重カスケードフレームワークの提案 ・Multi-task fully convolutional network for brain tumour segmentation. 腫瘍の構造の階層的関係のためのツリー構造FCNの提案 ・Boundary-aware fully convolutional network for brain tumor segmentation. 境界認識⽤FCN(BFCN)と、タスク別学習⽤のブランチ作成の提案 ・Dilated convolutions for brain tumor segmentation in mri scans. 残差ネットワーク(DRN)の拡張とプーリングの放棄の提案 ・U-net:Convolutionalnetworksforbiomedical image segmentation. マルチレベルで融合させるスキップコネクションを使ったU字型ネットワーク(U-Net)の提案 ・Automatic brain tumor detection and segmentation using u-net based fully convolutional networks. U-Netでの不均衡データへの対策のためにソフトダイスロスの使⽤の提案 

■ネットワーク構造 ・U-Netを２つ並べた形 ・前半のU-Netで、腫瘍と背景の分離 ・後半のU-Netで、腫瘍の内部の細分化 ・２つのネット間で同じレベルでconcat ・各レベルのCNNでは、残差ネットを利⽤ ・各レベルのデコーダの出⼒を 補助教師(補助特徴マップ?)として使⽤ ●勾配消失に対する3つの対策 

■LWS(Loss Weighted Sampling) ・ネガポジのサンプリングの極端な不均衡への対処⽅ ・クロスエントロピー誤差関数に、重みを追加 : バッチ数 : チャンネル数 : 画像の⻑さ(⾼さ?) : 画像の幅 : one-hotラベル : 推論された確率 : ピクセルの損失の重み ●ネットワーク全体の損失関数 : 加重係数 : 正則化項 : U-Net1(前半)の損失 : U-Net2(後半)の損失 : 各補助教師での損失 

■LWS(Loss Weighted Sampling) ●損失の重み は、それぞれMRI画像を４つの領域(⿊背景、正常部分の脳、腫瘍、腫瘍輪郭)に分けたもの。 は、ハイパーパラメータで、１以上の値。(=腫瘍輪郭の重要度?) は、確率 で をランダムサンプリングして得る２値⾏列。 ● の設定 U-Net1(前半) U-Net2(後半) 0 0 0 1 1 1 1 は、 のピクセル数。 は、１以上の値で、ネガポジの割合で調整する。 

■実験 ・BraTS 2017を使⽤ ●データセット High-gradeの腫瘍 ： Low-gradeの腫瘍 = 210 ： 75 この内、High-gradeのみ使⽤し、Train : Valid : Test = 126 : 42 : 42 とした。 ピクセル単位に、壊死(NCR), 浮腫(ED), 増強腫瘍(ET), その他のラベル付けを⾏った ・DataAugmentationには、ランダム回転とランダムフリップを採⽤ ●学習条件 Optimizer Learning rate SGD with momentum(0.9) 10#$から始めて 10epoch毎に 1/10⼩さくする (下限 : 10#%) 0.1から始めて 10epoch毎に 1/10⼩さくする (下限 : 10#$) 5 * 10#& 2 1.5 

■結果 ・腫瘍全体(WT), 腫瘍核(TC), 増強腫瘍(ET)それぞれに対して、Dice係数, 感度, 特異度を測定 

■感想 ・輪郭を輪郭クラスとして定義して覚えさせるのは、使えそう。 ・セグメンテーションした対象が階層構造になるようなものには転⽤できるかも。 例えば、顔のパーツごとのセグメンテーションとか？ ・ショートカット接続は、やっぱり強い(?) ・中間の出⼒を使ってloss計算して、それを割合で混ぜるのは、別のネットワークでも実験してみたい。 

ご静聴ありがとうございました。