[論文レビュー] Automatic Liver and Tumor Segmentation of CT and MRI Volumes using Cascaded Fully Convolutional Neural Networks

Patrick Ferdinand Christ, Florian Ettlinger+18 more|arXiv (Cornell University)|Feb 20, 2017

Radiomics and Machine Learning in Medical Imaging参考文献 30被引用数 184

ひとこと要約

本論文は Cascaded Fully Convolutional Networks (CFCNs) を導入し、3D dense CRF 後処理を用いて CT/MRI ボリュームで肝臓と肝病変を自動セグメンテーションし、Dice スコアを高く達成、large-scale な解析を効率化可能。

ABSTRACT

Automatic segmentation of the liver and hepatic lesions is an important step towards deriving quantitative biomarkers for accurate clinical diagnosis and computer-aided decision support systems. This paper presents a method to automatically segment liver and lesions in CT and MRI abdomen images using cascaded fully convolutional neural networks (CFCNs) enabling the segmentation of a large-scale medical trial or quantitative image analysis. We train and cascade two FCNs for a combined segmentation of the liver and its lesions. In the first step, we train a FCN to segment the liver as ROI input for a second FCN. The second FCN solely segments lesions within the predicted liver ROIs of step 1. CFCN models were trained on an abdominal CT dataset comprising 100 hepatic tumor volumes. Validations on further datasets show that CFCN-based semantic liver and lesion segmentation achieves Dice scores over 94% for liver with computation times below 100s per volume. We further experimentally demonstrate the robustness of the proposed method on an 38 MRI liver tumor volumes and the public 3DIRCAD dataset.

研究の動機と目的

• CT および MRI ボリュームで肝臓と肝病変の全自動セグメンテーションを可能にする。
• 肝臓領域の ROI 内で病変をセグメンテーションする二段階の FCN（肝臓優先、次に病変）をカスケードさせてセグメンテーション精度を向上。
• 異質なデータセットと画像モダリティ（CT および DW-MRI）に対する頑健性を向上。
• セグメンテーション品質を高めるポスト処理の refinemen t（3D CRF）を提供。
• 再現性と大規模研究への適用を促進するオープンソースモデルを提供。

提案手法

• CT は HU ウィンドウイング、MRI は N4 バイアス補正とヒストグラム均等化で前処理。
• 肝臓をセグメントする第一段と、肝臓 ROI 内の病変をセグメントする第二段の二段階カスケード FCN を訓練。
• クロスエントロピー損失におけるクラスバランシングを適用し、病変クラスの著しい不均衡を扱う。
• 転移学習による pretrained U-Net モデルから初期化するオプション。
• FCN 出力を密な 3D 条件付き乱数場（MAP 推論を平均場近似で実施）で Refinement。
• CT、DW-MRI、マルチセンター・データセットを跨る Dice、VOE、RVD、ASD、MSD で評価。

実験結果

リサーチクエスチョン

• RQ1 カスケード型 FCN は、肝臓と病変のセグメンテーション精度を単一の FCN と比較して向上させるか？
• RQ2 病変のセグメンテーションを肝臓 ROI に制限することは偽陽性と全体の Dice スコアにどのような影響を与えるか？
• RQ3 3D dense CRF のポスト処理はモダリティとデータセットを跨ってセグメンテーション品質を向上させるか？
• RQ4 マルチセンターの臨床データにおいてCT と DW-MRI への一般化はどの程度か？
• RQ5 再現性を促進するためのオープンソース資源と pretrained モデルは何か？

主な発見

Approach	Dataset	VOE [%]	RVD [%]	ASD [mm]	MSD [mm]	DICE [%]
U-Net は [18] のとおり	3DIRCAD	39	87	19.4	119	72.9
カスケードU-Net	3DIRCAD	12.8	-3.3	2.3	46.7	93.1
カスケードU-Net + 3D CRF	3DIRCAD	10.7	-1.4	1.5	24.0	94.3
Li ら [5] (肝臓のみ)	3DIRCAD	9.2	-11.2	1.6	28.2	94.5
Chartrand ら [34] (半自動)	3DIRCAD	6.8	1.7	1.6	24	24
Li ら [6] (肝臓のみ)	3DIRCAD					94.5
Cohen ら [35] (肝臓のみ)	Own Clinical CT					89
Cascaded U-Net	MR-DWI	23	14	5.2	135.3	87
Cascaded U-Net	Clinical CT	22	-3	9.5	165.7	88
カスケードU-Net + 3D CRF	Clinical CT	16	-6	5.3	48.3	91

• カスケード型 FCN は CT で肝臓 Dice が 94% 超、ボリュームあたりの処理時間が 100 秒未満。
• カスケード U-Net は単一 FCN アーキテクチャより病変セグメンテーションを大幅に改善し、特に 3D CRF 後処理と組み合わせた場合に顕著。
• 3DIRCAD CT データではカスケード U-Net が Dice 93.1%、3D CRF を追加すると Dice が 94.3% に向上。
• 臨床 CT データセット（100 件）では Dice が最大 91%、参照に対するイントレータ Dice は ~95%、病変 Dice は ~61%±25%（検証時）。
• DW-MRI では Cascaded U-Net が肝臓 Dice 87%、病変 Dice 約 69.7% 平均。
• 本手法は MRI および拡散強調 MRI に一般化可能で、訓練済みモデルは公開されている。