[論文レビュー] Adversarially Learning a Local Anatomical Prior: Vertebrae Labelling with 2D reformations.

Anjany Sekuboyina, Markus Rempfler+3 more|arXiv (Cornell University)|Feb 6, 2019

Medical Imaging and Analysis被引用数 5

ひとこと要約

本稿では、冠状断面および coronal 再形成を用いて CT スキャンにおける椎骨の局在化とラベリングを行うエンドツーエンドでスタンドアロンな 2D 畳み込みネットワーク、Btrfly net を提案する。2 つの敵対的訓練方式を活用して解剖学的事前知識を組み込むことで、公開データセットでは 88% を超える同定精度を達成し、後処理を伴わず、高い可変性を示す自社内データセットに対しても頑健性を示した。

ABSTRACT

Robust localisation and identification of vertebrae, jointly termed vertebrae labelling, in computed tomography (CT) images is an essential component of automated spine analysis. Current approaches for this task mostly work with 3D scans and are comprised of a sequence of multiple networks. Contrarily, our approach relies only on 2D reformations, enabling us to design an end-to-end trainable, standalone network. Our contribution includes: (1) Inspired by the workflow of human experts, a novel butterfly-shaped network architecture (termed Btrfly net) that efficiently combines information across sufficiently-informative sagittal and coronal reformations. (2) Two adversarial training regimes that encode an anatomical prior of the spine's shape into the Btrfly net, each enforcing the prior in a distinct manner. We evaluate our approach on a public benchmarking dataset of 302 CT scans achieving a performance comparable to state-of-art methods (identification rate of $>$88%) without any post-processing stages. Addressing its translation to clinical settings, an in-house dataset of 65 CT scans with a higher data variability is introduced, where we discuss refinements that render our approach robust to such scenarios.

研究の動機と目的

• 複雑なマルチネットワークパイプラインを回避する、頑健でエンドツーエンドの CT スキャンにおける椎骨ラベリング手法の開発。
• 解剖学的可変性と画像ノイズの影響にもかかわらず、椎骨の正確な局在化と同定を達成する挑戦への対処。
• 敵対的訓練を用いて脊椎の現実的な解剖学的事前知識をモデルに組み込む。
• 公開ベンチマークと高可変性の自社内データセットを含む多様なデータセットでの性能評価。
• 実臨床環境におけるデータ可変性への頑健性を示すことで、臨床応用を可能にする。

提案手法

• Btrfly net は、冠状断面および coronal 2D 再形成からの特徴を統合することで、解剖学的文脈理解を向上させるバタフライ型アーキテクチャを採用する。
• モデルは、不自然な脊椎形状をペナルティ化することで解剖学的妥当性を強制する、2 つの異なる敵対的訓練方式を用いて訓練される。
• 敵対的訓練は特徴空間に適用され、明示的なセグメンテーションを必要とせずに、ネットワークが現実的な脊椎形状の事前知識を学習できるように促進される。
• ネットワークは 3D ボリューム処理やマルチステージ推論を必要とせず、2D 再形成上でエンドツーエンドに訓練される。
• アーキテクチャはスタンドアロンで、後処理ステップなしにトレーニング可能に設計されている。
• 多平面再形成統合を強調することで、人間の専門家のワークフローを模倣し、空間的推論を向上させる。

実験結果

リサーチクエスチョン

• RQ1 2D ベースでエンドツーエンドのネットワークは、後処理なしに 3D マルチネットワークアプローチを上回ることができるか？
• RQ2 敵対的訓練は、脊椎画像のセグメンテーションネットワークに解剖学的事前知識をどれほど効果的に組み込めるか？
• RQ3 トレーニング時に見なかった高可変性の臨床データに、モデルは一般化できるか？
• RQ4 冠状断面および coronal 再形成を個別に使用するのと、統合して使用するのとでは、椎骨局在化にどのような差が生じるか？
• RQ5 精度と頑健性の観点から、本手法は最新の 3D ベースのアプローチとどのように比較できるか？

主な発見

• 提案手法は、302 件の CT スキャンからなる公開ベンチマークデータセットで 88% を超える同定率を達成し、最新技術水準に匹敵する性能を示した。
• 本手法はあらゆる後処理ステージを伴わず、強力なエンドツーエンド一般化性能を示した。
• 敵対的訓練方式により、解剖学的事前知識が効果的に組み込まれ、形状の変動やノイズに対して高い頑健性が向上した。
• 高いデータ可変性を示す自社内データセット（65 件の CT スキャン）に対しても、良好な一般化性能を示し、臨床的妥当性を示した。
• Btrfly net アーキテクチャによる冠状断面と coronal 再形成の統合は、単一平面ベースラインと比較して、顕著に局在化精度を向上させた。
• スタンドアロンで 2D ベースの設計により、計算複雑性が低減されながらも高い性能を維持でき、臨床現場での導入が容易になった。