[論文レビュー] Abdominal Aortic Aneurysm Segmentation with a Small Number of Training Subjects

Jian-Qing Zheng, Xiao-Yun Zhou+3 more|arXiv (Cornell University)|Apr 9, 2018

Aortic aneurysm repair treatments参考文献 3被引用数 8

ひとこと要約

本稿では、2例の訓練被験者のみを用いて、グレイ値のばらつきと平行移動（G.&T.）データ拡張を活用し、過学習を軽減するU-Netベースの方法を提案する。この手法は、0.8以上のDice類似係数（DSC）を達成し、分岐付き内血管形成術（FEVAR）におけるステント graft のカスタマイズを可能にする、上流・下流のリーディングゾーンおよび大動脈枝の正確な3次元再構成を可能にする。

ABSTRACT

Pre-operative Abdominal Aortic Aneurysm (AAA) 3D shape is critical for customized stent-graft design in Fenestrated Endovascular Aortic Repair (FEVAR). Traditional segmentation approaches implement expert-designed feature extractors while recent deep neural networks extract features automatically with multiple non-linear modules. Usually, a large training dataset is essential for applying deep learning on AAA segmentation. In this paper, the AAA was segmented using U-net with a small number (two) of training subjects. Firstly, Computed Tomography Angiography (CTA) slices were augmented with gray value variation and translation to avoid the overfitting caused by the small number of training subjects. Then, U-net was trained to segment the AAA. Dice Similarity Coefficients (DSCs) over 0.8 were achieved on the testing subjects. The PLZ, DLZ and aortic branches are all reconstructed reasonably, which will facilitate stent graft customization and help shape instantiation for intra-operative surgery navigation in FEVAR.

研究の動機と目的

• 深層学習に必要な大規模データセットが通常必要とされるが、AAAセグメンテーションにおける訓練データの制限という課題に対処すること。
• FEVARにおけるカスタマイズされたステント graft 設計を支援するため、術前AAAの3次元形状再構成に耐性のあるセグメンテーション手法を開発すること。
• 被験者間の対比や動脈瘤位置のばらつきがある状況下で、2名の被験者でのみ学習する場合の深層学習モデルにおける過学習を軽減すること。
• 従来の回転・反転（R.&M.）と比較して、グレイ値のばらつきと平行移動（G.&T.）という新しいデータ拡張戦略の有効性を評価すること。
• FEVAR手術計画およびナビゲーションのための、主要な解剖学的構造（PLZ、DLZ、大動脈枝）の正確な3次元再構成を可能にすること。

提案手法

• 入力サイズ512×512、初期特徴数64の34層U-Netを用い、CTA画像のスライスごとのセグメンテーションを実行した。
• グレイ値のばらつきと平行移動（G.&T.）によるデータ拡張を適用し、被験者間の対比および位置的ばらつきを模擬し、訓練サンプルを45～72倍に増強した。
• 性能差の評価のため、比較用に回転・反転（R.&M.）をデータ拡張法として用いた。
• 確率的勾配降下法（SGD）を用いて交差エントロピー損失を最小化し、モーメンタム0.9、初期値学習率0.1を設定し、収束が止まった場合に0.1に減衰させた。
• 後処理では、MATLABのregionpropsおよびbwareopenを用いて最大連結成分を抽出し、その後、マーチング・キューブス法を用いて3次元再構成を実行した。
• 交差検証戦略を採用し、各被験者を1回ずつテスト対象とし、残りの2名を訓練に使用した。一貫性を保つために、非対照被験者1号は除外した。

実験結果

リサーチクエスチョン

• RQ1 G.&T.データ拡張を用いることで、2名の訓練被験者でのみ、U-Netが高精度なAAAセグメンテーションを達成できるか？
• RQ2 限られたデータ下で、G.&T.データ拡張は、従来のR.&M.データ拡張と比較して、セグメンテーション性能に優れているか？
• RQ3 28層から34層にU-Netの深さを増加させることで、小規模データセット上でのセグメンテーション精度が向上するか？
• RQ4 本手法は、非対照スキャンを含む、さまざまな被験者データセットに対して耐性を示すか？
• RQ5 本手法は、臨床的用途におけるFEVAR計画のための、主要な解剖学的特徴（PLZ、DLZ、大動脈枝）を信頼性高く再構成できるか？

主な発見

• G.&T.データ拡張戦略は、R.&M.データ拡張を著しく上回り、平均DSCは0.802±0.157（R.&M.：0.500±0.304）を達成した。
• 34層U-Netは28層バージョンよりも高いセグメンテーション精度を示し、DSCは0.757±0.151から0.802±0.157に上昇した。
• 本手法は、さまざまなデータセットに対して耐性を示し、被験者1号と3号を訓練データとして用いた場合、DSCは0.824±0.131を達成した。
• 動脈瘤に加え、上流・下流のリーディングゾーンおよび大動脈枝の3次元再構成は、解剖学的に妥当であり、点群からメッシュまでの距離解析によって検証された。
• セグメンテーション結果は高い一貫性を示し、複数のテスト被験者において平均してDSCが0.8を超えた。
• 本手法は、AAAおよびその重要な解剖学的ランドマークの正確な3次元モデリングを可能にし、将来的にはステント graft のカスタマイズおよびFEVARにおける術中ナビゲーションへの応用を支援する。