[論文レビュー] Automated Muscle Segmentation from Clinical CT using Bayesian U-Net for Personalized Musculoskeletal Modeling

Yuta Hiasa, Yoshito Otake+4 more|arXiv (Cornell University)|Jul 21, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 39被引用数 5

ひとこと要約

本論文では、臨床的CTスキャンから個々の筋肉を自動かつ正確にセグメンテーションするためのベイジアンU-Netとモンテカルロドロップアウトを提案し、Dice係数0.891 ± 0.016を達成。不確実性推定が有効なアクティブラーニングを可能にし、筋骨格系モデリング応用における手動アノテーションコストを低減することを示した。

ABSTRACT

We propose a method for automatic segmentation of individual muscles from a clinical CT. The method uses Bayesian convolutional neural networks with the U-Net architecture, using Monte Carlo dropout that infers an uncertainty metric in addition to the segmentation label. We evaluated the performance of the proposed method using two data sets: 20 fully annotated CTs of the hip and thigh regions and 18 partially annotated CTs that are publicly available from The Cancer Imaging Archive (TCIA) database. The experiments showed a Dice coefficient (DC) of 0.891 +/- 0.016 (mean +/- std) and an average symmetric surface distance (ASD) of 0.994 +/- 0.230 mm over 19 muscles in the set of 20 CTs. These results were statistically significant improvements compared to the state-of-the-art hierarchical multi-atlas method which resulted in 0.845 +/- 0.031 DC and 1.556 +/- 0.444 mm ASD. We evaluated validity of the uncertainty metric in the multi-class organ segmentation problem and demonstrated a correlation between the pixels with high uncertainty and the segmentation failure. One application of the uncertainty metric in active-learning is demonstrated, and the proposed query pixel selection method considerably reduced the manual annotation cost for expanding the training data set. The proposed method allows an accurate patient-specific analysis of individual muscle shapes in a clinical routine. This would open up various applications including personalization of biomechanical simulation and quantitative evaluation of muscle atrophy.

研究の動機と目的

• 臨床的CTスキャンから個々の筋肉を自動でセグメンテーションする手法を開発し、患者特異的な筋骨格系モデリングを可能にする。
• 特に股関節および大腿部領域において、低コントラストの軟部組織と複雑な筋肉解剖学の課題に対処する。
• ディープラーニングセグメンテーションに不確実性推定を統合し、アクティブラーニングを支援し、手動アノテーションの負担を軽減する。
• 既存の最先端手法（例：階層的マルチアトラスセグメンテーション）に比べ、精度と計算効率の両面で向上を図る。
• バイオメカニカルシミュレーションや筋萎縮・脂肪変性の定量的評価といった、臨床的応用を支援する。

提案手法

• 本手法は二段階パイプラインを採用：まず決定論的U-Netで皮膚表面をセグメンテーションし、その後ベイジアンU-Netで個々の筋肉をセグメンテーションする。
• ベイジアンU-Netは推論時にモンテカルロドロップアウトを用い、複数回の順方向伝搬による予測不確実性を推定する。
• 不確実性マップはピクセルごとに生成され、高い不確実性はセグメンテーション誤差や曖昧な境界を示唆する。
• アクティブラーニングフレームワークでは、不確実性が高いスライスを専門家によるアノテーション対象に選択し、低不確実性スライスはトレーニングセットの拡張に使用する。
• 類似度に基づくクラスタリングアルゴリズムを用い、不確実性の高い領域から代表的なスライスを選択し、アクティブラーニングにおけるアノテーションの優先順位を決定する。
• モデルは2つのデータセットで訓練および評価された：20例の完全アノテーション付き大腿部/股関節CTスキャンと、18例の部分的アノテーション付きTCIAスキャン。

実験結果

リサーチクエスチョン

• RQ1 モンテカルロドロップアウトを用いたベイジアンU-Netは、臨床的CTにおける個々の筋肉セグメンテーションにおいて、最先端手法を上回る高い正確性を達成できるか？
• RQ2 ベイジアンU-Netが生成する不確実性マップは、セグメンテーション失敗に陥りやすい領域を効果的に特定できるか？
• RQ3 不確実性駆動型アクティブラーニングは、トレーニングに必要な手動アノテーションの数をどの程度削減できるか？
• RQ4 階層的マルチアトラスセグメンテーションと比較して、本手法はDice係数および表面距離指標において優れているか？
• RQ5 不確実性指標は、臨床的CTセグメンテーションにおけるアクティブラーニングの効果的なデータ選択を支援できるか？

主な発見

• 提案手法は、20例の完全アノテーション付きCTスキャンにおける19個の筋肉に対して、Dice係数0.891 ± 0.016および平均対称表面距離0.994 ± 0.230 mmを達成した。
• 本手法は階層的マルチアトラス法を顕著に上回り、Dice係数0.845 ± 0.031および表面距離1.556 ± 0.444 mmを記録した。
• 高い不確実性を示すピクセルと実際のセグメンテーション誤差の間に強い相関が観察され、不確実性マップが信頼できる失敗予測指標であることが妥当性を確認された。
• 不確実性駆動型アクティブラーニング戦略により、最も情報価値の高いスライスを優先することで、シミュレーションにおいて手動アノテーションコストが削減された。
• 計算オーバーヘッドが最小限に抑えられ、計算コストの高いマルチアトラス手法と比較して、臨床現場への導入に適した性能を示した。
• 不確実性指標により効果的なデータ選択が可能となり、学習曲線は初期段階で著しく改善する傾向を示し、高いデータ効率性が裏付けられた。