[論文レビュー] Accurate Weakly Supervised Deep Lesion Segmentation on CT Scans: Self-Paced 3D Mask Generation from RECIST

Jinzheng Cai, Youbao Tang+6 more|arXiv (Cornell University)|Jan 25, 2018

Medical Imaging Techniques and Applications参考文献 5被引用数 12

ひとこと要約

本論文は、CTスキャンからのRECIST径の弱い教師信号を用いて、自己学習型CNNフレームワークとスタックドGANによる超解像強化を組み合わせた弱教師付き3次元病変セグメンテーション手法を提案する。本手法は、RECISTスライスで93%の平均Diceスコア、3次元で76%を達成し、レントゲン診断医の承認率は92.4%に達し、RECISTに基づく体積推定を上回る性能を示した。

ABSTRACT

Volumetric lesion segmentation via medical imaging is a powerful means to precisely assess multiple time-point lesion/tumor changes. Because manual 3D segmentation is prohibitively time consuming and requires radiological experience, current practices rely on an imprecise surrogate called response evaluation criteria in solid tumors (RECIST). Despite their coarseness, RECIST marks are commonly found in current hospital picture and archiving systems (PACS), meaning they can provide a potentially powerful, yet extraordinarily challenging, source of weak supervision for full 3D segmentation. Toward this end, we introduce a convolutional neural network based weakly supervised self-paced segmentation (WSSS) method to 1) generate the initial lesion segmentation on the axial RECIST-slice; 2) learn the data distribution on RECIST-slices; 3) adapt to segment the whole volume slice by slice to finally obtain a volumetric segmentation. In addition, we explore how super-resolution images (2~5 times beyond the physical CT imaging), generated from a proposed stacked generative adversarial network, can aid the WSSS performance. We employ the DeepLesion dataset, a comprehensive CT-image lesion dataset of 32,735 PACS-bookmarked findings, which include lesions, tumors, and lymph nodes of varying sizes, categories, body regions and surrounding contexts. These are drawn from 10,594 studies of 4,459 patients. We also validate on a lymph-node dataset, where 3D ground truth masks are available for all images. For the DeepLesion dataset, we report mean Dice coefficients of 93% on RECIST-slices and 76% in 3D lesion volumes. We further validate using a subjective user study, where an experienced radiologist accepted our WSSS-generated lesion segmentation results with a high probability of 92.4%.

研究の動機と目的

• 臨床的CTスキャンにおいて、弱教師付きのRECIST径を用いて正確な3次元病変セグメンテーションを可能にすること。
• RECISTの限界を克服し、2次元径推定ではなく、完全な体積的病変測定を生成すること。
• RECISTスライスで学習したCNNを用いて、軸方向スライスごとに段階的に段階を進める自己学習フレームワークを構築し、病変セグメンテーションを段階的に精緻化すること。
• スタックドGANで生成された超解像画像を用いて、放射線科医がズームインする行動を模倣することで、モデルの性能を向上させること。
• 定量的指標と主観的放射線科医評価を通じて、本手法の臨床的妥当性を検証すること。

提案手法

• 本手法は、GrabCutなどの非教師付き手法を用いてRECISTスライス上での病変セグメンテーションを初期化する。
• 深層畳み込みニューラルネットワーク（CNN）をRECISTスライス上で学習させ、病変の外観パターンを学習し、段階的にセグメンテーションを改善する。
• モデルは自己学習の方法で隣接スライスにセグメンテーションを伝搬させ、段階的に全3次元ボリュームへと拡大する。
• スタックド生成対抗ネットワーク（SGAN）を用いて、画像解像度を2～5倍に向上させ、微小病変の検出を向上させる。
• 精緻化されたセグメンテーションを用いて、CNNをさらに微調整し、病変ボリューム全体にわたる適応的学習を可能にする。
• 本手法は、完全な3次元真値を備えたDeepLesionデータセットおよびリンパ節データセットを用いて検証された。

実験結果

リサーチクエスチョン

• RQ1 RECIST径を弱教師信号として効果的に活用することで、CTスキャンにおける正確な3次元病変セグメンテーションを生成できるか？
• RQ2 自己学習学習は、標準的な弱教師付き手法と比較して、病変セグメンテーション性能をどのように向上させるか？
• RQ3 超解像画像生成は、病変境界検出およびセグメンテーションの正確性をどの程度向上させるか？
• RQ4 本手法のWSSS性能は、時間経過に伴う病変体積変化の追跡において、RECISTに基づく楕円体体積推定と比較してどうなるか？
• RQ5 専門放射線科医による評価において、WSSSで生成されたセグメンテーションの臨床的受容性はどの程度か？

主な発見

• 本手法はRECISTスライスで平均93%のDice係数を達成し、初期の病変局在化において高い正確性を示した。
• 3次元病変ボリュームセグメンテーションは平均76%のDiceスコアを達成し、全ボリューム再構築において強力な性能を示した。
• WSSSで生成されたセグメンテーションの放射線科医による主観的承認率は92.4%であり、手動セグメンテーションの98.7%に近い水準であった。
• WSSS手法は手動体積測定（R² = 0.78）とより強く相関し、RECISTに基づく楕円体推定（R² = 0.62）よりも優れていた。
• スタックドGANによる超解像を用いることで、平均表面距離（AVD）が15%低下し、0.230から0.189に改善され、境界の明確化が向上した。
• 直接比較の結果、放射線科医は72例でWSSSセグメンテーションを好んだが、645例では同一と判断し、269例では手動セグメンテーションを好んだ。これは、本手法の高い臨床的関連性を裏付けた。