[論文レビュー] Atlas Based Segmentations via Semi-Supervised Diffeomorphic Registrations

Charles Huang, Masoud Badiei+6 more|arXiv (Cornell University)|Nov 23, 2019

Medical Image Segmentation Techniques参考文献 36被引用数 4

ひとこと要約

本稿では、頭頸部放射線療法の患者に対して、一部の臓器対象リスク（OARs）の真値輪郭と、他のOARsの粗いセグメンテーションを備えたアトラスを活用することで、正確で完全なOARセグメンテーションを生成する、半教師付きの微分同相登録フレームワークを提案する。剛体および変形可能な変形ブロックを段階的に組み合わせ、変分正則化と疑似ラベル化を適用することで、20例の患者スキャンから成るテストセットにおいて平均Diceスコア0.789を達成し、最先端の学習ベースの登録手法を上回り、監視付きセグメンテーションの性能に匹敵する一方で、全OARの自動セグメンテーションを可能にする。

ABSTRACT

Purpose: Segmentation of organs-at-risk (OARs) is a bottleneck in current radiation oncology pipelines and is often time consuming and labor intensive. In this paper, we propose an atlas-based semi-supervised registration algorithm to generate accurate segmentations of OARs for which there are ground truth contours and rough segmentations of all other OARs in the atlas. To the best of our knowledge, this is the first study to use learning-based registration methods for the segmentation of head and neck patients and demonstrate its utility in clinical applications. Methods: Our algorithm cascades rigid and deformable deformation blocks, and takes on an atlas image (M), set of atlas-space segmentations (S_A), and a patient image (F) as inputs, while outputting patient-space segmentations of all OARs defined on the atlas. We train our model on 475 CT images taken from public archives and Stanford RadOnc Clinic (SROC), validate on 5 CT images from SROC, and test our model on 20 CT images from SROC. Results: Our method outperforms current state of the art learning-based registration algorithms and achieves an overall dice score of 0.789 on our test set. Moreover, our method yields a performance comparable to manual segmentation and supervised segmentation, while solving a much more complex registration problem. Whereas supervised segmentation methods only automate the segmentation process for a select few number of OARs, we demonstrate that our methods can achieve similar performance for OARs of interest, while also providing segmentations for every other OAR on the provided atlas. Conclusions: Our proposed algorithm has significant clinical applications and could help reduce the bottleneck for segmentation of head and neck OARs. Further, our results demonstrate that semi-supervised diffeomorphic registration can be accurately applied to both registration and segmentation problems.

研究の動機と目的

• 頭頸部CTスキャンにおける臓器対象リスク（OARs）の手作業によるセグメンテーションが時間的にかかるという臨床的ボトルネックを解決すること。
• 完全で専門家がアノテートしたOARデータセットを必要とする監視付きディープラーニングモデルの限界を克服すること。このようなデータセットは、高い手作業コストのため、しばしば入手不可能である。
• 部分的な真値輪郭と他の構造の粗いセグメンテーションを備えた1つのアトラスを用いて、すべての構造に対して完全なOARセグメンテーションを生成する半教師付き登録フレームワークを開発すること。
• 変形可能画像登録に微分同相制約を適用することで、明示的にトレーニングでアノテートされていない構造に対しても、強力で自動化されたセグメンテーションを実現すること。
• 手作業および監視付きセグメンテーションの性能に匹敵する性能を示すことで、臨床的有用性を実証すること。同時に、従来の学習ベースの手法よりもより複雑な登録問題を解決すること。

提案手法

• 本手法は、患者CT画像をアトラス画像に段階的に整合させるために、剛体および変形可能な変形ブロックを段階的に組み合わせ、微分同相（滑らかで逆写像可能な）変換を保証する。
• 変分定式化を用い、正則化項と速度場のガウススムージングを適用することで、過学習を防ぎ、解剖学的妥当性を維持する。
• 空間的特徴の学習と変形の正確性を向上させるために、局在化ネットワークに密な畳み込みブロックを採用する。
• トレーニング中に半教師付きの疑似ラベル化を適用する：アトラス内のラベルなしOARから疑似セグメンテーションを生成し、反復的登録によって改善する。
• 入力として：患者CT（F）、アトラスCT（M）、アトラス座標系におけるセグメンテーション（S_A）を提供し、出力として全OARの患者座標系セグメンテーションを生成する。
• 変形場は、スケーリングとスクェアリング法を用いて定常速度場を統合することで計算され、微分同相性を保持する。

実験結果

リサーチクエスチョン

• RQ1 部分的な真値輪郭を用いる半教師付き学習ベースの登録フレームワークは、頭頸部放射線療法においても高い精度のOARセグメンテーションを達成できるか？
• RQ2 変分正則化を用いた複数の変形ブロックを段階的に組み合わせることで、単一ステップまたはベースラインの学習ベース手法と比較して、登録およびセグメンテーション性能が向上するか？
• RQ3 歯科インプラントなどの画像アーチファクトが存在する状況下で、本手法はどのように性能を示すか？（これらは一般的にセグメンテーション精度を低下させる。）
• RQ4 限られた真値輪郭と他のOARsの粗いセグメンテーションを備えた1つのアトラスが、すべての構造に対して完全で正確な患者レベルのセグメンテーションを生成できる程度はどの程度か？
• RQ5 完全で専門家がアノテートしたデータセットを必要とせずに、監視付きディープラーニングセグメンテーションモデルの性能に匹敵または上回る性能を達成できるか？

主な発見

• 提案手法は、20例の頭頸部患者CTスキャンから成るテストセットにおいて、平均Diceスコア0.789を達成し、既存の学習ベースの登録アルゴリズムを顕著に上回った。
• 歯科インプラントなどの画像アーチファクトに対しても、耐性を示し、金属アーチファクトに覆われた領域でさえも妥当なOAR輪郭を生成した。
• モデルが部分的な真値データでのみトレーニングされたにもかかわらず、手作業および監視付きディープラーニングセグメンテーション手法と同等の性能を示した。
• 疑似ラベル化と変分正則化の適用により、特に複数の変形ブロックを段階的に組み合わせた場合の過学習が軽減された。
• 従来のマルチアトラスベース自動セグメンテーション（multi-ABAS）アルゴリズムを上回り、最先端の監視付きセグメンテーション性能に匹敵した。
• 半教師付き学習と微分同相登録を活用することで、トレーニング中に明示的に真値が与えられていない構造に対しても、アトラスで定義されたすべての構造について完全なOARセグメンテーションが可能になった。