[論文レビュー] Automatic airway segmentation from Computed Tomography using robust and efficient 3-D convolutional neural networks

Antonio Garcia-Uceda, Raghavendra Selvan+3 more|arXiv (Cornell University)|Mar 30, 2021

Lung Cancer Diagnosis and Treatment参考文献 48被引用数 5

ひとこと要約

本論文では、胸郭CTスキャンにおける完全自動的気管支分岐領域抽出のための、ロバストで効率的な3D U-Netベースの手法を提案する。軽量でメモリ使用量が少ないアーキテクチャを用いて、1回の順方向伝搬で全肺をカバーする3Dパッチを処理する。EXACT’09データセットにおいて最先端の感度を達成し、気管支疾患の種類が異なる多様なデータセットに対しても良好な一般化性能を示す。

ABSTRACT

This paper presents a fully automatic and end-to-end optimised airway segmentation method for thoracic computed tomography, based on the U-Net architecture. We use a simple and low-memory 3D U-Net as backbone, which allows the method to process large 3D image patches, often comprising full lungs, in a single pass through the network. This makes the method simple, robust and efficient. We validated the proposed method on three datasets with very different characteristics and various airway abnormalities: i) a dataset of pediatric patients including subjects with cystic fibrosis, ii) a subset of the Danish Lung Cancer Screening Trial, including subjects with chronic obstructive pulmonary disease, and iii) the EXACT'09 public dataset. We compared our method with other state-of-the-art airway segmentation methods, including relevant learning-based methods in the literature evaluated on the EXACT'09 data. We show that our method can extract highly complete airway trees with few false positive errors, on scans from both healthy and diseased subjects, and also that the method generalizes well across different datasets. On the EXACT'09 test set, our method achieved the second highest sensitivity score among all methods that reported good specificity.

研究の動機と目的

• 胸郭CTにおける気管支分岐領域抽出のための完全自動的でエンドツーエンド最適化された手法を開発すること。臨床応用に適した効率性とロバスト性を両立させる。
• 従来の領域拡張法および学習ベースの手法が、末梢気管支の不完全な検出および高い誤検出率を抱えるという限界を克服すること。
• 線維症、COPD、気管支拡張症を含む、気管支異常の種類が異なる多様なデータセットへの一般化性能を向上させること。
• 大規模な3D画像パッチを1回のパスで処理することで、計算およびメモリのオーバーヘッドを低減し、パッチタイリングに起因する端縁アーチファクトを最小限に抑えること。
• 複雑な後処理や接続性制約に依存せずに、高い分離完全性と正確性を達成すること

提案手法

• 大規模な3D画像パッチを1回の順方向伝搬で処理できる、シンプルで低メモリの3D U-Netをバックボーンネットワークとして採用し、全肺をカバーする。
• タイリングやオーバーラップを伴わない、全肺3Dパッチの直接処理により、パッチ境界効果に起因する端縁アーチファクトを低減する。
• エンコーダ–デコーダ構造とスキップ接続を備えた標準的なU-Netアーキテクチャを採用し、正確な局所化と特徴量統合を実現する。
• 手動で設計された画像特徴量に依存せず、アノテート済みの気管支分離領域を用いた教師あり学習によりエンドツーエンドで訓練する。
• データオーグメンテーションと正規化を適用することで、多様なスキャン特性および疾患像に対するロバスト性を向上させる。
• 接続性のための複雑な後処理を回避するが、U-Netの内在的な分離能力に依存する。ただし、一部の末梢枝が主幹から分離される可能性がある

実験結果

リサーチクエスチョン

• RQ1 軽量な3D U-Netは、効率性やメモリ使用量に妥協をきたさずに、全肺CTパッチにおいて高い分離正確性と完全性を達成できるか？
• RQ2 COPDおよび線維症を含む重度の気管支異常を示すデータセットにおいて、最先端の手法と比較して本手法はどのように性能を発揮するか？
• RQ3 1回の順方向伝搬で大規模な3Dパッチを処理することで、パッチタイリングによる推論と比較して、端縁アーチファクトが低減され、分離の連続性が向上するか？
• RQ4 異なるスキャンプロトコル、画像品質、疾患表現型を有するデータセット間での一般化性能はいかがなものか？
• RQ5 小さな末梢気管支や低コントラスト領域が存在する状況でも、高い感度を維持しつつ良好な特異度を達成できるか？

主な発見

• 本手法は、良好な特異度を報告する手法の中でも、EXACT’09テストセットで2番目の高い感度を達成し、挑戦的な気管支分離ベンチマークにおいて優れた性能を示した。
• 3つのすべてのデータセットで、誤検出が少なく、非常に完全な気管支木が得られた。小児の線維症患者および成人のCOPD患者のスキャンを含む。
• スキャン解像度、再構成カーネル、疾患重症度の違いがあるデータセットに対しても、良好に一般化した。
• 全肺パッチを1回のパスで処理することで、パッチタイリングに起因する端縁アーチファクトが低減され、パッチ単位の推論と比較して分離の連続性が向上した。
• CF-CTおよびDLCSTデータセットにおいて、従来の最先端手法を上回り、優れたロバスト性と完全性を示した。
• 接続性の制約を明示的に課さないにもかかわらず、高い分離品質を達成したが、一部の末梢気管支が主幹から分離されており、これにより後続のバイオマーカー抽出に影響を及える可能性がある