[論文レビュー] A statistical shape model for radiation-free assessment and classification of craniosynostosis

Matthias Schaufelberger, Reinald Kühle+9 more|arXiv (Cornell University)|Jan 10, 2022

Craniofacial Disorders and Treatments被引用数 4

ひとこと要約

本論文は、1.5歳未塔の乳児を対象とした、公開可能な最初の統計的3次元形状モデルを提示する。このモデルにより、画像診断に放射線を用いずに、写真測量による表面スキャンを用いた評価と分類が可能となる。形状モデルに基づくパイプラインと線形判別分析を用いた手法により、分類精度が97.8%に達し、CTベースの手法と同等の最先端の性能を示している。

ABSTRACT

The assessment of craniofacial deformities requires patient data which is sparsely available. Statistical shape models provide realistic and synthetic data enabling comparisons of existing methods on a common dataset. We build the first publicly available statistical 3D head model of craniosynostosis patients and the first model focusing on infants younger than 1.5 years. We further present a shape-model-based classification pipeline to distinguish between three different classes of craniosynostosis and a control group on photogrammetric surface scans. To the best of our knowledge, our study uses the largest dataset of craniosynostosis patients in a classification study for craniosynostosis and statistical shape modeling to date. We demonstrate that our shape model performs similar to other statistical shape models of the human head. Craniosynostosis-specific pathologies are represented in the first eigenmodes of the model. Regarding the automatic classification of craniosynostis, our classification approach yields an accuracy of 97.8%, comparable to other state-of-the-art methods using both computed tomography scans and stereophotogrammetry. Our publicly available, craniosynostosis-specific statistical shape model enables the assessment of craniosynostosis on realistic and synthetic data. We further present a state-of-the-art shape-model-based classification approach for a radiation-free diagnosis of craniosynostosis.

研究の動機と目的

• 1.5歳未塔の乳児を対象とした、放射線フリーの3次元統計的形状モデルの開発を目的とし、医療的評価およびシミュレーション支援を目的とする。
• 非対照的写真測量表面スキャンを用いて、先天性頭蓋縫合症の亜型と対照群の正確な分類を可能とする。
• 今後の頭蓋顔面奇形解析分野における研究の基盤となるデータセットとモデルを確立し、希少で放射線依存のデータの限界を克服することを目的とする。
• 形状モデル生成および分類性能における複数のモーフィング技術の比較と検証を目的とする。

提案手法

• 著者らは、大規模な先天性頭蓋縫合症患者および対照群の3次元表面スキャンを用いて、特徴点で整列された形状に対する主成分分析（PCA）を用いて統計的形状モデル（SSM）を構築した。
• 形状の正確な整列とモーフィングを実現するため、高度な非剛性登録技術（N-ICP-A、N-ICP-T、2S-LBRP、ICPD-LBRP）を適用し、幾何学的忠実性を保つためにラプラシアン＝ベルトランプ正則化を用いた。
• 形状を共通基準に整列させるために一般化プロクラステス分析（GPA）を用い、剛体変換を最小限に抑え、一貫性のある形状比較を可能とした。
• モデルの妥当性を評価するため、compactness（収縮性）、generalization（一般化能力）、specificity（特異性）の指標を用いて、現実の頭蓋顔面変異を表現する能力を評価した。
• SSMから得られる形状係数を用いて、複数の機械学習モデル（線形判別分析（LDA）、SVM、ナイーブベイズ、kNN、アンサンブル決定木）を用いて分類を実施した。
• 特徴点ベースの登録には12個の解剖学的セファロメトリック特徴点を用い、法線の整合性と対応関係の確立に制約を設けることで、解剖学的整合性を確保した。

実験結果

リサーチクエスチョン

• RQ1 1.5歳未塔の先天性頭蓋縫合症患者に対して、統計的に堅牢で放射線フリーの3次元形状モデルを構築可能か。特に、医療画像診断のアクセスが限られているこの集団において、その有効性はいかがなものか。
• RQ2 N-ICP-A、2S-LBRP、ICPD-LBRPなどの異なる非剛性モーフィング手法は、頭蓋顔面形状モデリングにおける正確性、収縮性、一般化能力において、どのように比較されるか。
• RQ3 写真測量スキャンで学習した統計的形状モデルは、先天性頭蓋縫合症亜型と対照群を区別する高い分類精度を達成できるか。その限界はどこか。
• RQ4 CT や MRI データで学習したモデルと比較して、本研究で提示されたSSMは、形状表現および診断的有用性において同等の性能を示すか。
• RQ5 SSMから得られる形状係数に適用された機械学習分類器の中で、先天性頭蓋縫合症分類において最適な性能を示すのはどれか。

主な発見

• 提示された統計的形状モデル（SSM）は、他の既存の頭部SSMと同等の性能を示し、非対照的表面スキャンで学習されたモデルであるにもかかわらず、その表現能力が妥当であることが裏付けられた。
• 先天性頭蓋縫合症特有の病変は、主にモデルの最初の数個の主成分に捉えられており、疾患と関連する強い形状変異が示されている。
• N-ICP-Tモーフィング手法を線形判別分析（LDA）と組み合わせた場合、98.1%の最高分類精度を達成し、他のモーフィング手法を上回った。
• LDA分類器は、全モーフィング手法において最高の全体精度（98.1%）を示し、N-ICP-A手法を用いた場合でも97.8%の高い安定性を示した。
• モデルの一般化誤差は1mm未満、特異性誤差は2mm未満であり、現実の頭蓋顔面形状を強く表現できる能力を示している。
• 本研究は、統計的形状モデリングおよび分類研究において、これまでにない規模の先天性頭蓋縫合症患者データセットを提示しており、広範な臨床的応用可能性を有している。