[論文レビュー] A deep learning classification scheme based on augmented-enhanced features to segment organs at risk on the optic region in brain cancer patients

José Dolz, Nicolas Reyns+5 more|arXiv (Cornell University)|Mar 30, 2017

Brain Tumor Detection and Classification参考文献 11被引用数 8

ひとこと要約

本研究では、MRIからの脳がん患者における危険な臓器（視神経、視交叉、垂体、垂体柄）を自動的にセグメンテーションするため、拡張強化特徴（AE-FV）を用いたディープラーニング分類手法を提案する。従来の特徴、文脈的特徴、テクスチャ特徴をスタックドノイズ除去オートエンコーダーの枠組みに統合することで、平均Diceスコアが0.79～0.83に達し、従来の特徴やSVMよりも優れた結果を、より高速かつ一貫性のある性能で達成した。

ABSTRACT

Radiation therapy has emerged as one of the preferred techniques to treat brain cancer patients. During treatment, a very high dose of radiation is delivered to a very narrow area. Prescribed radiation therapy for brain cancer requires precisely defining the target treatment area, as well as delineating vital brain structures which must be spared from radiotoxicity. Nevertheless, delineation task is usually still manually performed, which is inefficient and operator-dependent. Several attempts of automatizing this process have reported. however, marginal results when analyzing organs in the optic region. In this work we present a deep learning classification scheme based on augmented-enhanced features to automatically segment organs at risk (OARs) in the optic region -optic nerves, optic chiasm, pituitary gland and pituitary stalk-. Fifteen MR images with various types of brain tumors were retrospectively collected to undergo manual and automatic segmentation. Mean Dice Similarity coefficients around 0.80 were reported. Incorporation of proposed features yielded to improvements on the segmentation. Compared with support vector machines, our method achieved better performance with less variation on the results, as well as a considerably reduction on the classification time. Performance of the proposed approach was also evaluated with respect to manual contours. In this case, results obtained from the automatic contours mostly lie on the variability of the observers, showing no significant differences with respect to them. These results suggest therefore that the proposed system is more accurate than other presented approaches, up to date, to segment these structures. The speed, reproducibility, and robustness of the process make the proposed deep learning-based classification system a valuable tool for assisting in the delineation task of small OARs in brain cancer.

研究の動機と目的

• 脳がん放射線治療における視床領域の小さな複雑な臓器（OAR）の手作業による、時間のかかる、ばらつきの大きい描画作業の課題に対処すること。
• 視神経、視交叉、垂体、垂体柄といった小さなOARの自動セグメンテーション精度を向上させること。これまでの手法では限界が見られた領域である。
• 手作業で設計された特徴（文脈的、テクスチャ的）をディープラーニング表現と統合し、低コントラストで不均一な脳構造において特徴の識別能を高めること。
• 臨床的放射線治療計画に適した、高速で頑健かつ再現性のあるセグメンテーションシステムを開発すること。
• 手作業による輪郭と比較し、既存の最先端手法に匹敵またはそれを上回ることを実証すること。

提案手法

• スタックドノイズ除去オートエンコーダー（SDA）を用いて、MRIパッチから階層的かつ判別性の高い特徴を学習し、標準的なCNNに代わる特徴工学に基づいたアーキテクチャを採用する。
• 古典的特徴（強度、位置）に加え、文脈的およびテクスチャ的特徴を組み合わせることで、拡張強化特徴ベクトル（AE-FV）を構築し、表現力を向上させる。
• AE-FVをディープニューラルネットワークに供給し、低コントラスト領域における微細な解剖的パターンをモデルが捉えられるようにする。
• 15例の後向き的脳MRIスキャンを用い、さまざまな腫瘍タイプの症例で訓練および検証を行い、手作業セグメンテーションを正例として用いる。
• Dice類似係数（DSC）、ハウスドルフ距離、表面距離指標を用いて性能を評価し、手作業輪郭との統計的比較も行う。
• マルチモodal画像統合（例：CT-MR統合）への依存を回避することで、処理を高速化し、臨床的統合性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 手作業で設計された特徴（文脈的、テクスチャ的）をディープラーニングと統合することで、視床領域の小さな複雑なOARのセグメンテーション精度が向上するか？
• RQ2 提案されたAE-FVに基づくディープラーニングモデルは、従来の機械学習手法（例：SVM）と比較して、セグメンテーション性能および処理時間で優れているか？
• RQ3 本手法は、特に評価者間ばらつきの観点から、手作業による描画と同等の結果を達成できるか？
• RQ4 本手法は、視神経、視交叉、垂体構造のセグメンテーションにおいて、既存のアトラスベースやモデルベースの手法を上回るか？
• RQ5 CTとMRIのマルチモーダル画像統合を必要とせずに、高い精度を達成できるか？

主な発見

• 提案されたディープラーニング手法は、視神経で平均Dice類似係数（DSC）0.79、視交叉で0.83、垂体で0.76、垂体柄で0.77を達成した。
• 拡張強化特徴（AE-FV）の統合により、古典的特徴のみを用いた場合と比較して、セグメンテーション性能が顕著に向上した。
• 精度および処理時間の両面で、サポートベクターマシン（SVM）を上回り、実行間での結果のばらつきも少なかった。
• 自動セグメンテーションは、大多数のケースで手作業輪郭と統計的に差がなく、臨床的妥当性を示した。
• 本手法は、分類処理時間の大幅な短縮を実現し、頑健性と高速性を示した。従来のアトラスベース手法と比較して顕著に短縮された（例：類似研究で約20分対<20分未満）。
• 最も性能が低かったケースでも、DSC値が0.55～0.60を下回ることはなく、自動輪郭が手作業基準の信頼できる近似であることが示された。