[論文レビュー] A Prior Knowledge Based Tumor and Tumoral Subregion Segmentation Tool for Pediatric Brain Tumors

Silu Zhang, Angela Edwards+4 more|arXiv (Cornell University)|Sep 30, 2021

Brain Tumor Detection and Classification参考文献 6被引用数 5

ひとこと要約

本論文は、学習データに依存せず、解剖学的および画像診断的priorを活用することで深層学習を回避する、小児脳腫瘍（特にATRT、DIPG、LGG）の知識ベース型セグメンテーションツールを提示する。従来の事前学習済み深層学習モデルに比べ、全腫瘍セグメンテーション性能が優れており、腫瘍内病変（例：嚢胞、壊死、出血）の細分化セグメンテーションも、既存のDLモデルでは対応できない形で実現している。

ABSTRACT

In the past few years, deep learning (DL) models have drawn great attention and shown superior performance on brain tumor and subregion segmentation tasks. However, the success is limited to segmentation of adult gliomas, where sufficient data have been collected, manually labeled, and published for training DL models. It is still challenging to segment pediatric tumors, because the appearances are different from adult gliomas. Hence, directly applying a pretained DL model on pediatric data usually generates unacceptable results. Because pediatric data is very limited, both labeled and unlabeled, we present a brain tumor segmentation model that is based on knowledge rather than learning from data. We also provide segmentation of more subregions for super heterogeneous tumor like atypical teratoid rhabdoid tumor (ATRT). Our proposed approach showed superior performance on both whole tumor and subregion segmentation tasks to DL based models on our pediatric data when training data is not available for transfer learning.

研究の動機と目的

• ラベル付きデータが極めて限られているため、稀な小児脳腫瘍のセグメンテーションの課題に対処すること。
• 成人用に学習された深層学習モデルが小児腫瘍画像に一般化しにくい問題を克服すること。
• ATRTのような高クロマティックな腫瘍において、嚢胞、壊死、出血などの細分化領域のセグメンテーションを可能にすること。
• 大規模な学習データセットを必要とせず、解釈可能で一般化可能かつ効率的な手法を開発すること。
• データ不足のためモデル学習が制限される稀な小児腫瘍に対して、深層学習の代替手段を提供すること。

提案手法

• ラベル付きデータからの学習ではなく、神経解剖学的知識およびMRI対比特性のpriorを活用する。
• コアジリレーション、DWIを用いた脳抽出、バイアスフィールド補正を含む画像前処理を実施する。
• FLAIRおよびT1/T2画像における核密度推定と外れ値検出を用いて、組織確率マップ（白質、灰色画、脳脊髄液、その他）を推定する。
• ANTsを用いて患者空間に変換されたICBMアトラスpriorを用いて、白質および灰色画の初期化を実施する。
• FLAIRヒストグラムの強度しきい値処理を用いて脳脊髄液確率を推定し、脳脊髄液が最も暗い信号を示す特性を活用する。
• ボクセル強度分布に基づく尤度モデルと外れ値検出を組み合わせたベイズ推論を適用し、組織セグメンテーションを精緻化する。

実験結果

リサーチクエスチョン

• RQ1 ラベル付きデータが極めて限られた状況下で、知識ベースのアプローチが事前学習済み深層学習モデルを上回る性能を示せるか？
• RQ2 深層学習や大規模学習セットを一切用いずに、嚢胞、壊死、出血などの細分化領域セグメンテーションを信頼性高く達成できるか？
• RQ3 転移学習済み深層学習モデルと比較して、知識ベースの手法は小児腫瘍データセット上でどのように性能を発揮するか？
• RQ4 事前知識が、稀な腫瘍セグメンテーションにおける一般化性能と解釈可能性をどの程度向上できるか？
• RQ5 ATRT、DIPG、LGGなどの異なる小児腫瘍タイプに、最小限の再設定で適応可能か？

主な発見

• 提案手法は、ATRTの全腫瘍セグメンテーションにおいて平均Diceスコア0.869を達成し、比較対象のすべての事前学習済み深層学習モデルを上回った。
• DIPGデータセットでは、Diceスコア0.869を達成し、2番目に優れた転移学習モデル（0.870）と同等の性能を示し、他のモデル（0.56～0.801）を著しく上回った。
• ATRTにおける細分化領域セグメンテーションでは、強化腫瘍（0.842）および浮腫（0.815）で最高の平均Diceスコアを記録し、壊死、出血、脳脊髄液、嚢胞に対しても妥当な性能を示した。
• 微調整なしでも、全評価済み事前学習済み深層学習モデルと比較して、ATRTおよびLGGデータセットで優れた性能を示した。
• 異なる腫瘍タイプにわたり一貫した性能を示し、DIPGではATRTやLGGよりも優れた結果を示した。これは、DIPGに一貫した画像特徴が存在するためと考えられる。
• 解釈可能であり、透明な意思決定ルールと中間段階の組織確率マップを提供しており、品質管理やモデルデバッグが可能である。