[論文レビュー] Automatic detection and segmentation of lumbar vertebra from X-ray images for compression fracture evaluation

Kang Cheol Kim, Hyun Cheol Cho+3 more|arXiv (Cornell University)|Apr 16, 2019

Medical Imaging and Analysis被引用数 5

ひとこと要約

本稿では、重複する解剖的構造や明瞭でない境界による課題に対処するため、縦隔X線画像における腰椎の自動検出およびセグメンテーションを目的とした階層的ディープラーニングとレベルセット法を提案する。アプローチは、ポーズ駆動学習による椎間接の局在化、M-netによる初期セグメンテーション、レベルセットによる微調整を組み合わせており、臨床データ上で平均Diceスコア91.60% ± 2.22%、中心位置検出誤差25.35 ± 10.86ピクセルを達成した。

ABSTRACT

For compression fracture detection and evaluation, an automatic X-ray image segmentation technique that combines deep-learning and level-set methods is proposed. Automatic segmentation is much more difficult for X-ray images than for CT or MRI images because they contain overlapping shadows of thoracoabdominal structures including lungs, bowel gases, and other bony structures such as ribs. Additional difficulties include unclear object boundaries, the complex shape of the vertebra, inter-patient variability, and variations in image contrast. Accordingly, a structured hierarchical segmentation method is presented that combines the advantages of two deep-learning methods. Pose-driven learning is used to selectively identify the five lumbar vertebra in an accurate and robust manner. With knowledge of the vertebral positions, M-net is employed to segment the individual vertebra. Finally, fine-tuning segmentation is applied by combining the level-set method with the previously obtained segmentation results. The performance of the proposed method was validated using clinical data, resulting in center position detection error of $25.35\\pm10.86$ and a mean Dice similarity metric of $91.60\\pm2.22\\%$.

研究の動機と目的

• 重複する軟部組織および骨格構造による影響により、X線画像における腰椎の自動セグメンテーションが困難であるという課題に対処すること。
• 縦隔X線に特徴的な低コントラストで複雑な解剖学的環境において、セグメンテーションの精度と耐性を向上させること。
• 手動セグメンテーションの負担を軽減し、より迅速かつ正確な圧迫骨折診断を支援すること。
• ディープラーニングとレベルセット法を統合し、特に前部および上部・下部椎体板における微細な境界の微調整を可能とすること。
• 圧迫骨折、椎間板空間狭窄、すべり症などの脊椎疾患の自動的で定量的な評価を可能とすること。

提案手法

• 画像コントラストの向上と特徴の可視性の向上を目的とした、適応的ヒストограм等化による前処理。
• 5つの腰椎それぞれの中心位置を高精度に局在化するためのポーズ駆動ディープラーニングネットワーク（Pose-net）。
• 局在化後に個々の椎間接をインスタンス単位でセグメンテーションするために使用されるM-netアーキテクチャ。マルチスケールの文脈的特徴を活用する。
• 後処理の微調整としてレベルセット法を適用。ディープラーニングの出力を初期化として用い、境界の明確化を図る。
• 階層的パイプライン：局在化 → セグメンテーション → エッジ微調整。臨床的意思決定を模倣する。
• ディープラーニングの耐性と、レベルセットが滑らかで連続的な境界を捉える能力を組み合わせ、特に前部および上部・下部椎体板で優れた性能を発揮する。

実験結果

リサーチクエスチョン

• RQ1 重複する解剖的構造があるにもかかわらず、ポーズ駆動ディープラーニングアプローチが縦隔X線画像における5つの腰椎の正確で頑健な局在化を達成できるか？
• RQ2 事前に得られた椎間接の局在化情報を用いることで、M-netによるインスタンス単位のセグメンテーション性能が効果的に向上するか？
• RQ3 ディープラーニングによるセグメンテーションとレベルセットによる微調整を組み合わせることで、前部および上部・下部椎体板のような明確なエッジを持つ構造の境界精度が向上するか？
• RQ4 本手法は、ベースラインモデル（例：オリジナルのU-net、M-net）と比較して、Diceスコアおよび局在化誤差の観点で優れているか？
• RQ5 階層的アプローチは、胸椎を腰椎と誤認するなど、誤検出や局在化の漏れ（例：L5の欠落）をどれほど低減できるか？

主な発見

• 提案手法は、平均中心位置検出誤差25.35 ± 10.86ピクセルを達成し、高い局在化精度を示した。
• 5つの腰椎すべてにおける平均Dice類似係数は91.60 ± 2.22%に達し、優れたセグメンテーション性能を示した。
• Pose-net + M-net + レベルセットパイプラインは、オリジナルのU-netやM-netといったベースラインモデルを上回り、Diceスコアおよび感度の両面で優れた性能を示した。
• レベルセットによる微調整により、前部および上部・下部椎体板における境界定義が明確になり、誤検出が顕著に減少した。
• 低コントラストおよび複雑な解剖学的構造の影響を受けるL5椎間接のセグメンテーションに成功した。これは、標準的なM-netでは頻繁に欠落していた。
• 視覚的比較により、T12が腰椎と誤認されるのを防ぎ、胸椎構造が正しく除外されたことが確認された。