[論文レビュー] A Fully-Automated Pipeline for Detection and Segmentation of Liver Lesions and Pathological Lymph Nodes

Assaf Hoogi, John Lambert+3 more|arXiv (Cornell University)|Mar 19, 2017

Hepatocellular Carcinoma Treatment and Prognosis被引用数 6

ひとこと要約

本稿では、マージンスぺース学習、AdaBoostベースの段階的分類、およびCNN強化型アクティブな輪郭を組み合わせることで、腹部CTスキャンにおける肝腫瘍および病理的リンパ節の検出・セグメンテーションを完全に自動化したエンドツーエンドのパイプラインを提示する。本手法は、多様なデータセット（42例の肝腫瘍および595個のリンパ節）を用いて、検出感度0.53およびセグメンテーションの平均Diceスコア0.71±0.15を達成した。

ABSTRACT

We propose a fully-automated method for accurate and robust detection and segmentation of potentially cancerous lesions found in the liver and in lymph nodes. The process is performed in three steps, including organ detection, lesion detection and lesion segmentation. Our method applies machine learning techniques such as marginal space learning and convolutional neural networks, as well as active contour models. The method proves to be robust in its handling of extremely high lesion diversity. We tested our method on volumetric computed tomography (CT) images, including 42 volumes containing liver lesions and 86 volumes containing 595 pathological lymph nodes. Preliminary results under 10-fold cross validation show that for both the liver lesions and the lymph nodes, a total detection sensitivity of 0.53 and average Dice score of $0.71 \\pm 0.15$ for segmentation were obtained.

研究の動機と目的

• 多様な解剖的状況下での肝臓およびリンパ節の悪性病変を、完全に自動化され汎用性のあるパイプラインで検出・セグメンテーションすること。
• 低コントラスト、不均一性が高く、形態的に多様な病変が、手動または従来の自動化手法では困難であるという課題を克服すること。
• 腫瘍学における治療反応のスケーラブルで正確な評価を可能にする、自動化されたRECIST準拠の指標を提供すること。
• 放射線科医が高い不確実性を示す臨床的困難な症例において、病変の検出およびセグメンテーションの耐障害性を向上させること。

提案手法

• 臓器検出には、3次元Haarおよび回転可能特徴量をAdaBoostを用いてトレーニングした確率的ブースティングツリー（PBT）を用いたマージンスぺース学習が用いられ、臓器の位置、方向、スケールを推定する。
• 病変検出には段階的分類パイプラインが採用され、Hounsfield単位（HU）強度に基づく初期候補選定、3次元Haar特徴量のフィルタリング、およびAdaBoostを用いた自己整合型レイトレイヤー特徴抽出が続く。
• 自己整合型特徴抽出法では、各候補点から14方向にレイトレイヤーを発射し、勾配最大値における24の局所的画像特徴（強度、勾配、方向）を抽出することで、分類の精度を向上させる。
• 病変セグメンテーションには、畳み込みニューラルネットワーク（CNN）による特徴学習と、適応的エネルギー関数重み付けを施したアクティブな輪郭（レベルセット）を組み合わせたハイブリッド手法が用いられる。
• セグメンテーションパイプラインは、バウンディングボックスの角の2点を自動で検出することで輪郭を初期化し、CNNから得られる特徴量とエネルギー最小化を用いて改良する。
• 本システムは2つのデータセットで評価された：The Cancer Imaging Archive（TCIA）から得た42例の肝腫瘍ボリュームおよび86例のリンパ節ボリュームで、リンパ節については手動アノテーションが、肝腫瘍については視覚的レビューが行われた。

実験結果

リサーチクエスチョン

• RQ1 完全に自動化されエンドツーエンドのパイプラインは、腹部CTスキャンにおける多様性が極めて高い肝腫瘍および病理的リンパ節の検出・セグメンテーションを、安定して達成できるか？
• RQ2 マージンスぺース学習、段階的AdaBoost分類器、およびCNN強化型アクティブな輪郭の統合は、低コントラストおよび不均一な病変において性能をどのように向上させるか？
• RQ3 空間的制約（例：肝臓の局在）は、異なる臓器に位置する病変の検出性能にどのような影響を及えるか？
• RQ4 本手法は、組織コントラストが低い、不規則な形状、または曖昧な境界を示す困難な症例において、どのように性能を発揮するか？

主な発見

• 10分割交差検証において、肝腫瘍およびリンパ節の両方で検出感度0.53を達成した。肝腫瘍では0.85、リンパ節では0.51の感度を示した。
• 自動病変検出を初期化に用いた場合、病変セグメンテーションの平均Diceスコアは0.71±0.15であった。手動検出点を用いた場合は0.77±0.04であった。
• リンパ節に関しては、自動検出を用いた場合のDiceスコアは0.71±0.16、手動検出を用いた場合は0.77±0.03であり、優れたセグメンテーション性能を示した。
• 肝腫瘍セグメンテーションでは、自動検出を用いた場合のDiceスコアは0.67±0.20、手動検出を用いた場合は0.82±0.14であった。これは、訓練データが小さく、形態がより複雑なため、変動が大きいことを示している。
• 本手法は、多様性が高くコントラストが低い病変に対しても耐障害性を示し、放射線科医が一部の症例で自動輪郭が手動輪郭よりも正確であると評価した。
• リンパ節検出は肝腫瘍検出に比べて顕著に感度が低く、主に空間的制約がなく、リンパ節自体が小さくコントラストが低いことによるものである。