[論文レビュー] A Baseline Approach for AutoImplant: the MICCAI 2020 Cranial Implant Design Challenge

Jianning Li, Antonio Pepe+3 more|arXiv (Cornell University)|Jun 22, 2020

Dental Implant Techniques and Outcomes参考文献 14被引用数 8

ひとこと要約

本論文は、欠損頭蓋骨CTスキャンからのボリュメトリック形状学習を用いて、自動頭蓋骨インプラント設計のための2段階的ディープラーニングベースラインを提示する。粗いから細かい形状へのエンコーダデコーダネットワークが、幾何的プリオンを用いず、欠損頭蓋骨から直接インプラントを予測する。MICCAI 2020 AutoImplantチャレンジのテストセットにおいて、平均DSCは0.8555、HDは5.1825 mmを達成し、幾何的プリオンなしで効果的な一般化を示した。

ABSTRACT

In this study, we present a baseline approach for AutoImplant (https://autoimplant.grand-challenge.org/) - the cranial implant design challenge, which, as suggested by the organizers, can be formulated as a volumetric shape learning task. In this task, the defective skull, the complete skull and the cranial implant are represented as binary voxel grids. To accomplish this task, the implant can be either reconstructed directly from the defective skull or obtained by taking the difference between a defective skull and a complete skull. In the latter case, a complete skull has to be reconstructed given a defective skull, which defines a volumetric shape completion problem. Our baseline approach for this task is based on the former formulation, i.e., a deep neural network is trained to predict the implants directly from the defective skulls. The approach generates high-quality implants in two steps: First, an encoder-decoder network learns a coarse representation of the implant from down-sampled, defective skulls; The coarse implant is only used to generate the bounding box of the defected region in the original high-resolution skull. Second, another encoder-decoder network is trained to generate a fine implant from the bounded area. On the test set, the proposed approach achieves an average dice similarity score (DSC) of 0.8555 and Hausdorff distance (HD) of 5.1825 mm. The code is publicly available at https://github.com/Jianningli/autoimplant.

研究の動機と目的

• 頭蓋骨対称性などの幾何的プリオンに依存しない、完全にデータ駆動型の自動頭蓋骨インプラント設計手法の開発を目的とする。
• 高解像度ボリュメトリック学習フレームワーク内で、欠損頭蓋骨CTスキャンから直接正確で患者特異的なインプラントを生成する課題に取り組む。
• 実臨床CTデータを用いたディープラーニングにより、MICCAI 2020 AutoImplantチャレンジのための堅牢なベースラインを確立する。
• 人工欠損に対してモデルの一般化能力を評価し、頭蓋骨補完に基づくアプローチと比較する。

提案手法

• 2段階のディープラーニングフレームワークを提案する：まず、ダウンサンプルされた欠損頭蓋骨からエンコーダデコーダネットワーク（N₁）を用いて粗いインプラントを予測する。
• 粗いインプラントを用いて、元の高解像度頭蓋骨における欠損部のバウンディングボックスを特定し、関心領域を局在化する。
• 2番目の、軽量なエンコーダデコーダネットワーク（N₂）を、局在化された欠損頭蓋骨の領域から細かいインプラントを生成するように訓練する。
• バイナリボクセルグリッドを用いて、欠損頭蓋骨、完全頭蓋骨、およびインプラントを表現することで、エンドツーエンドのボリュメトリック形状学習を可能にする。
• 教師あり学習を可能にするために、完全頭蓋骨から骨構造を除去することで、真値インプラントを生成する。
• 明示的な幾何的プリオンを避ける代わりに、高解像度CTデータ上のディープラーニングにより形状補完を学習する。

実験結果

リサーチクエスチョン

• RQ1 対称性などの幾何的プリオンに依存せず、直接的でエンドツーエンドのディープラーニングアプローチが、欠損頭蓋骨CTスキャンから正確な頭蓋骨インプラントを生成できるか？
• RQ2 2段階の粗いから細かい形状へのネットワークアーキテクチャは、トレーニング中に見られなかった欠損に対してどれほど一般化できるか？
• RQ3 形状の正確性と耐性の観点から、直接的なインプラント予測は、頭蓋骨補完後に差分計算を行うアプローチよりも優れているか、同等に一般化できるか？
• RQ4 データ駆動型ボリュメトリック形状学習モデルは、高解像度で実臨床的なCTデータを用いた頭蓋骨インプラント設計において、どの程度の性能を示すか？

主な発見

• 提案された直接的なインプラント生成アプローチは、MICCAI 2020 AutoImplantチャレンジのテストセットにおいて、平均Dice類似係数（DSC）0.8555およびハウスドルフ距離（HD）5.1825 mmを達成した。
• 人工欠損に対して強い性能を示し、2次元および3次元の可視化において両方の視覚的品質が優れていた。
• 完全に異なる欠損形状を持つ10件の追加ケースに対してテストしたところ、直接的なインプラント予測手法は失敗した。これは、トレーニング時の欠損パターンに過剰適合していることを示唆した。
• 一方、同じデータで訓練された頭蓋骨補完ネットワーク（N₁）は、新しい欠損形状に対しても良好に一般化しており、間接的な補完ベースの手法の方が耐性が高い可能性があることを示唆した。
• 2段階アプローチにより、N₂を局在化された領域に限定することで、GPUメモリ使用量を効果的に削減し、計算効率を向上させた。
• 結果から、明示的な幾何的プリオンなしに、ディープラーニングが複雑なボリュメトリック形状を効果的に学習できることを検証し、今後の研究のための強固なベースラインを確立した。