[論文レビュー] Accurate Weakly-Supervised Deep Lesion Segmentation using Large-Scale Clinical Annotations: Slice-Propagated 3D Mask Generation from 2D RECIST

Jinzheng Cai, Youbao Tang+6 more|arXiv (Cornell University)|Jul 2, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 16被引用数 7

ひとこと要約

本論文は、CTスキャンからの大規模な臨床的RECISTアノテーションを活用して、完全な手動セグメンテーションを必要とせずに正確なボリュメトリックな病変マスクを生成する弱教師付き3次元病変セグメンテーション手法を提案する。スライス伝播型CNNフレームワークを用い、最初にGrabCut初期化を用いてRECISTマーク付きスライスで病変をセグメンテーションし、隣接スライスにわたって反復的に予測を精緻化する。RECISTスライスでは平均Diceが92%、全3次元ボリュームでは76%を達成した。

ABSTRACT

Volumetric lesion segmentation from computed tomography (CT) images is a powerful means to precisely assess multiple time-point lesion/tumor changes. However, because manual 3D segmentation is prohibitively time consuming, current practices rely on an imprecise surrogate called response evaluation criteria in solid tumors (RECIST). Despite their coarseness, RECIST markers 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 (CNN) based weakly supervised slice-propagated segmentation (WSSS) method to 1) generate the initial lesion segmentation on the axial RECIST-slice; 2) learn the data distribution on RECIST-slices; 3) extrapolate to segment the whole lesion slice by slice to finally obtain a volumetric segmentation. To validate the proposed method, we first test its performance on a fully annotated lymph node dataset, where WSSS performs comparably to its fully supervised counterparts. We then test on a comprehensive lesion dataset with 32,735 RECIST marks, where we report a mean Dice score of 92% on RECIST-marked slices and 76% on the entire 3D volumes.

研究の動機と目的

• CTスキャンにおける弱教師付きで入手可能なRECISTアノテーションから正確な3次元病変セグメンテーションを生成する課題に対処すること。
• ピxlsレベルのアノテーションを必要とせず、特定のRECIST径の臨床的後方視的データを活用する手法を開発すること。
• 正確で自動的かつスケーラブルなボリュメトリック腫瘍測定を可能にし、精密診断放射線学を支援すること。
• 弱教師付き学習によるRECISTデータの活用が、限定的なアノテート済みサブセットで学習された完全教師付きモデルを上回ることを示すこと。
• 完全にアノテート済みのリンパ節データセットおよび32,735個のRECISTマークを有する大規模な病変データセットの両方で、手法を検証すること。

提案手法

• RECISTスライスにおける初期病変セグメンテーションは、RECIST径から導出された空間的プライオリティシードを用いたGrabCut初期化により実施され、初期化の品質が向上する。
• CNNベースのモデル（HNN）は、RECISTスライスに限定して、RECIST径からの弱教師信号を用いて学習し、CTスライス間での病変の外観パターンを学習する。
• 本手法はスライス単位で反復的伝播戦略を採用する：RECISTスライスのセグメンテーション後、隣接スライスからの予測を用いてモデルをファインチューニングし、その後でモデルをさらに精緻化する。
• 3、5、または7枚の軸方向スライスを用いた3次元的伝播戦略を採用することで、RECISTスライスを超えて一般化されたセグメンテーションが可能となり、解剖的変異に強い。
• モデル重みは隣接スライスからの予測を繰り返し用いて更新され、疑似ラベル付けと能動的精緻化を通じて自己改善が可能になる。
• 最終的な3次元セグメンテーションは、精緻化されたモデルをボリューム内の全スライスに伝播させることで生成され、追加のアノテーションは不要となる。

実験結果

リサーチクエスチョン

• RQ1 病院のPACSシステムに保存されている一般的なRECIST径は、ピxlsレベルのアノテーションを必要とせずに、3次元病変セグメンテーションモデルの学習に効果的に活用可能か？
• RQ2 CNNベースのモデルを用いたスライス単位の伝播戦略は、直接的な3次元RECIST近似と比較して、RECISTスライスを超えたセグメンテーション精度をどの程度向上させるか？
• RQ3 大規模で不完全なラベルが付与されたRECISTデータを用いた弱教師付き学習は、小規模で完全にアノテート済みのデータセットで学習された完全教師付きモデルをどの程度上回るか？
• RQ4 3次元セグメンテーション性能を最大化するための最適な伝播スライス数（例：3、5、7）は何か？
• RQ5 提案手法は多様な解剖的部位および病変タイプに一般化可能であり、高いセグメンテーション精度を維持できるか？

主な発見

• 32,735個のRECISTマークを有するDeepLesionデータセットにおいて、提案されたWSSS手法はRECISTスライスで平均Diceスコア92%を達成し、弱教師付き病変局在の高精度を示した。
• 全3次元病変ボリュームでは、平均Diceスコアが76%に達し、GrabCut-3DE（オフセット4で55%）やHNN単体（平均75.6%）といったベースライン手法を顕著に上回った。
• スライス伝播型アプローチ（WSSS-7）は、全病変タイプで平均Dice76.2%を達成し、非伝播ベースラインより最大1.5%の改善を示した。
• 1,000枚のアノテート済みスライスでの学習に限定された完全教師付きモデルを上回ったことから、大規模な臨床的データからの弱教師付き学習が、限定的完全教師付き学習を凌駕できることを示した。
• 認定放射線科医による定性的評価では、80%の症例で病変境界を適切に捉えており、残り20%でわずかな誤検出や欠落領域が認められた。
• RECISTスライスのみで学習したHNNモデルはリンパ節データセットで平均83.7%のDiceスコアを達成し、真値マスクを用いた完全教師付きUNet（83.8%）やHNN（84.5%）とほぼ同等の性能を示した。