[論文レビュー] A deep learning-based framework for segmenting invisible clinical target volumes with estimated uncertainties for post-operative prostate cancer radiotherapy

Anjali Balagopal, Dan Nguyen+10 more|arXiv (Cornell University)|Apr 28, 2020

Advanced Neural Network Applications参考文献 44被引用数 12

ひとこと要約

本論文では、術後前立腺がん放射線治療における見えない臨床的的病巣体積（CTV）を、まず周辺臓器をセグメンテーションし、それらの解剖学的関係を活用してCTVの輪郭付けを支援する深層学習フレームワークを提案する。モデルは50例のホールドアウトセットで平均Dice係数0.87を達成し、医師のレビューを支援するための不確実性推定も行っている。臨床的品質は熟練医による手動輪郭付けと同等であることが示された。

ABSTRACT

In post-operative radiotherapy for prostate cancer, the cancerous prostate gland has been surgically removed, so the clinical target volume (CTV) to be irradiated encompasses the microscopic spread of tumor cells, which cannot be visualized in typical clinical images such as computed tomography or magnetic resonance imaging. In current clinical practice, physicians segment CTVs manually based on their relationship with nearby organs and other clinical information, per clinical guidelines. Automating post-operative prostate CTV segmentation with traditional image segmentation methods has been a major challenge. Here, we propose a deep learning model to overcome this problem by segmenting nearby organs first, then using their relationship with the CTV to assist CTV segmentation. The model proposed is trained using labels clinically approved and used for patient treatment, which are subject to relatively large inter-physician variations due to the absence of a visual ground truth. The model achieves an average Dice similarity coefficient (DSC) of 0.87 on a holdout dataset of 50 patients, much better than established methods, such as atlas-based methods (DSC<0.7). The uncertainties associated with automatically segmented CTV contours are also estimated to help physicians inspect and revise the contours, especially in areas with large inter-physician variations. We also use a 4-point grading system to show that the clinical quality of the automatically segmented CTV contours is equal to that of approved clinical contours manually drawn by physicians.

研究の動機と目的

• 視覚的腫瘍の真値が存在しない術後前立腺がん放射線治療における見えない臨床的的病巣体積（CTV）のセグメンテーションの課題に対処すること。
• 臨床的に承認されたラベルを用いてトレーニングされた深層学習による自動セグメンテーションにより、CTVの輪郭付けにおける医師間ばらつきを低減すること。
• DSC < 0.7にとどまる従来のアトラスベース手法を上回るセグメンテーション精度を向上させること。
• 医師のレビューを支援するため、自動CTV輪郭の不確実性を推定すること。特に医師間ばらつきの高い領域において有効である。
• 4段階評価システムを用いて、自動CTV輪郭が臨床基準を満たしているかを検証すること。

提案手法

• 2段階の深層学習フレームワーク：まず、U-Netベースのアーキテクチャを用いて危険な臓器（直腸や膀胱など）をセグメンテーションする。
• 次に、セグメンテーション済みのOARと既知の解剖学的制約の空間的関係を活用してCTVを予測し、臨床ガイドラインからの事前知識を活用する。
• 臨床的に承認された医師がラベル付けしたラベルを用いてモデルをトレーニングするが、それらには高い医師間ばらつきが存在する。損失関数は臨床実践に整合するよう設計されている。
• 推論時にモンテカルロドロップアウトを用いて不確実性推定を実施し、複数の予測を生成して予測の分散を定量化する。
• 自動輪郭の品質を熟練医による手動輪郭と比較するために4段階の臨床的評価システムを適用する。
• 本フレームワークは、CTおよびMRIスキャンを有する50例の術後前立腺がん患者から成るホールドアウトセットで評価された。

実験結果

リサーチクエスチョン

• RQ1 視覚的腫瘍の真値が存在しない状況下で、深層学習モデルが術後前立腺がんの見えないCTVを正確にセグメンテーションできるか？
• RQ2 危険な臓器のセグメンテーションと解剖学的関係を活用することで、アトラスベース手法と比較してCTVセグメンテーション性能が向上するか？
• RQ3 深層学習モデルから得られる不確実性推定は、医師間ばらつきの高い領域を的確に特定し、医師の注目を向けさせるのに有効か？
• RQ4 自動生成されたCTV輪郭の臨床的品質は、熟練医による手動輪郭と同等か？
• RQ5 医師間のばらつきが明らかな臨床的に承認されたラベルを用いてトレーニングされた深層学習フレームワークは、堅牢で信頼性のあるセグメンテーション結果を生み出せるか？

主な発見

• 提案された深層学習フレームワークは、50例の術後前立腺がん患者から成るホールドアウトセットで平均Dice係数（DSC）0.87を達成し、アトラスベース手法（DSC < 0.7）を著しく上回った。
• モデルによる自動CTV輪郭は、熟練医が描いた輪郭と同等の4段階臨床的評価スコアを獲得し、臨床的受容可能性を示した。
• モデルが生成した不確実性マップは、医師間ばらつきの高い領域を的確に特定し、焦点を当てた医師レビューを可能にした。
• 本フレームワークは、既知の医師間差異を有する臨床的承認ラベルを用いてトレーニングされたにもかかわらず、ラベルのばらつきに強く、堅牢性を示した。
• 臓器セグメンテーションと解剖学的事前知識の統合により、直接的セグメンテーション手法と比較してCTVセグメンテーションの正確性が著しく向上した。
• 結果から、視覚的真値がなくても、臨床的ラベルを用いて深層学習モデルを効果的にトレーニングでき、見えない的病巣体積の自動化が可能であることが示唆された。