[論文レビュー] Automatic 3D liver location and segmentation via convolutional neural networks and graph cut

Lu Fang, Fa Wu+3 more|arXiv (Cornell University)|May 10, 2016

Medical Image Segmentation Techniques参考文献 38被引用数 9

ひとこと要約

本論文では、3次元畳み込みニューラルネットワーク（CNN）を用いた初期肝臓検出と確率的セグメンテーションの後に、学習された確率マップを用いたグラフカットのリファインメントを組み合わせた、完全自動の3次元肝臓セグメンテーション手法を提案する。本手法は、公的データセット上で手動セグメンテーションと比較して平均VOEが5.9%、相関係数が0.968に達し、ユーザーの操作を要しない臨床応用に強く適していることが示された。

ABSTRACT

Purpose Segmentation of the liver from abdominal computed tomography (CT) image is an essential step in some computer assisted clinical interventions, such as surgery planning for living donor liver transplant (LDLT), radiotherapy and volume measurement. In this work, we develop a deep learning algorithm with graph cut refinement to automatically segment liver in CT scans. Methods The proposed method consists of two main steps: (i) simultaneously liver detection and probabilistic segmentation using 3D convolutional neural networks (CNNs); (ii) accuracy refinement of initial segmentation with graph cut and the previously learned probability map. Results The proposed approach was validated on forty CT volumes taken from two public databases MICCAI-Sliver07 and 3Dircadb. For the MICCAI-Sliver07 test set, the calculated mean ratios of volumetric overlap error (VOE), relative volume difference (RVD), average symmetric surface distance (ASD), root mean square symmetric surface distance (RMSD) and maximum symmetric surface distance (MSD) are 5.9%, 2.7%, 0.91%, 1.88 mm, and 18.94 mm, respectively. In the case of 20 3Dircadb data, the calculated mean ratios of VOE, RVD, ASD, RMSD and MSD are 9.36%, 0.97%, 1.89%, 4.15 mm and 33.14 mm, respectively. Conclusion The proposed method is fully automatic without any user interaction. Quantitative results reveal that the proposed approach is efficient and accurate for hepatic volume estimation in a clinical setup. The high correlation between the automatic and manual references shows that the proposed method can be good enough to replace the time-consuming and non-reproducible manual segmentation method.

研究の動機と目的

• 臨床現場でユーザーの操作を完全に排除する完全自動の3次元肝臓セグメンテーション手法の開発を目的とする。
• 深層学習とグラフカット最適化を組み合わせることで、セグメンテーションの正確性を向上させることを目的とする。
• 手術計画や放射線治療などの応用分野における信頼性の高い肝臓体積推定を可能とすることを目的とする。
• 低対比組織や変動する解剖学的形状に起因する課題に対処することを目的とする。
• 公的データセットを用いた評価と最先端手法との比較を通じて、本手法の有効性を検証することを目的とする。

提案手法

• 3次元CNNを訓練し、同時に肝臓の検出と初期セグメンテーション用の確率マップの生成を同時に行う。
• 3次元CNNから得られた確率マップを、グラフカットのエネルギー関数における事前知識として用いる。
• グラフカット最適化により、領域項と境界項を組み合わせたエネルギー関数を最小化することで、初期セグメンテーションをリファインする。
• 本手法はエンドツーエンドであり、手動の初期化やユーザー入力を一切不要とする。
• 3次元畳み込みとグラフベースの最適化を通じて、空間的文脈と形状の一貫性を活用する。
• 標準的な指標を用いて、MICCAI-Sliver07および3Dircadbデータセット上でフレームワークを評価する。

実験結果

リサーチクエスチョン

• RQ1 3次元CNNを用いたアプローチは、ユーザーの操作を要せず、腹部CTにおいて正確かつ頑健な肝臓セグメンテーションを達成できるか？
• RQ2 学習された確率マップをグラフカットに統合することで、セグメンテーションの正確性はどのように向上するか？
• RQ3 本手法は、既存の最先端の自動肝臓セグメンテーション手法と比較して、どのような性能を示すか？
• RQ4 解剖学的変異や低対比画像条件下でも、本手法はどれほど正確性を維持できるか？
• RQ5 自動セグメンテーションと手動描画との間で、体積および表面距離の観点からどれほど相関が見られるか？

主な発見

• MICCAI-Sliver07のテストセットにおいて、平均体積被り重複誤差（VOE）は5.9%、相対体積差（RVD）は2.7%、平均対称表面距離（ASD）は0.91%を達成した。
• 3Dircadbの20例の症例において、平均VOEは9.36%、RVDは0.97%、ASDは1.89%であった。
• MICCAI-Sliver07では、ルート・マンハッタン対称表面距離（RMSD）が1.88 mm、3Dircadbでは4.15 mmであった。
• MICCAI-Sliver07では、最大対称表面距離（MSD）が18.94 mm、3Dircadbでは33.14 mmであった。
• 自動セグメンテーションと手動セグメンテーションの肝臓体積間に0.968の高い相関が観察され、平均差は57.2 mL、95%信頼区間は-266.4 mLから380.7 mLであった。
• VOE、RVD、ASDの観点では、いくつかの最先端手法を上回ったが、MSDにおいてはLiらの変形グラフカット手法にわずかに劣った。