[論文レビュー] A Deep Learning-Based Method for Automatic Segmentation of Proximal Femur from Quantitative Computed Tomography Images

Zhao Chen, Joyce H. Keyak+11 more|arXiv (Cornell University)|Jun 9, 2020

Bone health and osteoporosis research参考文献 14被引用数 7

ひとこと要約

本研究では、定量的X線CT（QCT）画像における大腿骨頭部の自動セグメンテーションを目的とした、3D V-Netをベースにした深層学習手法を提示している。複合損失関数（Dice損失とL2正則化の組み合わせ）を用いることで、Diceスコアが0.9815、決定係数R²が0.9956を達成し、骨質減少症および骨折リスク評価における高い正確性と強力な臨床的応用可能性を示した。

ABSTRACT

Purpose: Proximal femur image analyses based on quantitative computed tomography (QCT) provide a method to quantify the bone density and evaluate osteoporosis and risk of fracture. We aim to develop a deep-learning-based method for automatic proximal femur segmentation. Methods and Materials: We developed a 3D image segmentation method based on V-Net, an end-to-end fully convolutional neural network (CNN), to extract the proximal femur QCT images automatically. The proposed V-net methodology adopts a compound loss function, which includes a Dice loss and a L2 regularizer. We performed experiments to evaluate the effectiveness of the proposed segmentation method. In the experiments, a QCT dataset which included 397 QCT subjects was used. For the QCT image of each subject, the ground truth for the proximal femur was delineated by a well-trained scientist. During the experiments for the entire cohort then for male and female subjects separately, 90% of the subjects were used in 10-fold cross-validation for training and internal validation, and to select the optimal parameters of the proposed models; the rest of the subjects were used to evaluate the performance of models. Results: Visual comparison demonstrated high agreement between the model prediction and ground truth contours of the proximal femur portion of the QCT images. In the entire cohort, the proposed model achieved a Dice score of 0.9815, a sensitivity of 0.9852 and a specificity of 0.9992. In addition, an R2 score of 0.9956 (p<0.001) was obtained when comparing the volumes measured by our model prediction with the ground truth. Conclusion: This method shows a great promise for clinical application to QCT and QCT-based finite element analysis of the proximal femur for evaluating osteoporosis and hip fracture risk.

研究の動機と目的

• QCT画像からの大腿骨頭部の自動セグメンテーションを実現する、深層学習に基づく手法を開発し、骨の健康状態の臨床的評価を支援すること。
• QCTを用いた骨密度およびバイオメカニカル分析における、手作業によるセグメンテーションの時間的・主観的バイアスを克服すること。
• 3D完全畳み込みニューラルネットワークアーキテクチャを用いて、セグメンテーションの正確性と再現性を向上させること。
• 397例のQCT被験者からなる大規模コhortを用いて手法を検証し、男性および女性のサブグループについても別個の分析を実施すること。
• 骨質減少症および大腿部骨折リスクの評価を目的としたQCTベースの有限要素解析への信頼性ある応用を可能にすること。

提案手法

• QCTボリュームからの大腿骨頭部のエンドツーエンド、完全畳み込み3Dセグメンテーションを実現するため、V-Netと呼ばれる3D U-Netの変種をバックボーンネットワークとして採用した。
• クラス不均衡の処理のためのDice損失と、一般化性能の向上および過学習の防止のためのL2正則化を組み合わせた複合損失関数を採用した。
• ハイパーパramータチューニングおよびモデル選定のため、データセットの90％（357例）を用いて10分割交差検証を実施した。
• 残りの10％（40例）を用いて、未知のデータに対する最終的な性能評価を実施した。
• 正解ラベルは熟練した専門家によって作成され、監視学習に適した高品質なアノテーションが確保された。
• 推論は完全に自動化されており、予測結果が直接ボクセル単位のセグメンテーションマスクとして出力された。

実験結果

リサーチクエスチョン

• RQ1 深層学習に基づく3Dセグメンテーションモデルは、QCT画像からの大腿骨頭部の自動セグメンテーションにおいて、高い正確性と頑健性を達成できるか？
• RQ2 提案された複合損失関数（Dice + L2）は、不均衡な医療画像データにおけるセグメンテーション性能を、標準的な損失関数と比較してどのように向上させるか？
• RQ3 本手法のセグメンテーション性能は、男性および女性を含む大規模かつ多様なQCT被験者コhortにおいて、どのように評価されるか？
• RQ4 モデルが予測したボリュームと正解ボリュームの間にはどの程度の相関があるか？これは、その後続のバイオメカニカル分析における信頼性を示唆する。
• RQ5 本手法は、骨質減少症および大腿部骨折リスク評価を目的とした臨床的QCT画像処理パイプラインに、実際に有効に応用可能か？

主な発見

• 本手法は、全被験者コhortにおいてDiceスコア0.9815を達成し、予測されたセグメンテーションと正解との間でほぼ完全な重複を示した。
• 感度は0.9852に達し、大腿骨頭部内の真の陽性ボクセルの多くを正しく同定できることを示した。
• 特異度は0.9992に達し、誤検出が最小限に抑えられていることを示しており、これは正確な骨体積推定にとって極めて重要である。
• 予測された骨体積と正解体積との間で、決定係数R²が0.9956（p < 0.001）を示し、強い線形相関が確認された。
• 視覚的検査により、予測された形状と専門家による輪郭描画との間で、高い解剖学的整合性と一貫性が確認された。
• 男性および女性被験者にわたる一般化性能が強く、サブグループ分析においても一貫した性能を示した。