[論文レビュー] Automatic Liver Segmentation from CT Images Using Deep Learning Algorithms: A Comparative Study

K. E. Sengun, YILMAZ Çetin+3 more|arXiv (Cornell University)|Jan 25, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 22被引用数 7

ひとこと要約

本研究では、商業ソフトウェア「LiverVision」内での標準化されたフレームワークを用いて、CT画像における肝臓の自動セグメンテーションを目的としたディーブラーニングアーキテクチャ—特にU-NetおよびSegNet—を評価した。結果として、両モデルとも高い精度を達成したが、SegNetは誤検出をより効果的に低減し、手術計画に向けた完全自動で高精度な肝臓セグメンテーションの実現可能性を示した。

ABSTRACT

Medical imaging has been employed to support medical diagnosis and treatment. It may also provide crucial information to surgeons to facilitate optimal surgical preplanning and perioperative management. Essentially, semi-automatic organ and tumor segmentation has been studied by many researchers. Recently, with the development of Deep Learning (DL) algorithms, automatic organ segmentation has been gathered lots of attention from the researchers. This paper addresses to propose the most efficient DL architectures for Liver segmentation by adapting and comparing state-of-the-art DL frameworks, studied in different disciplines. These frameworks are implemented and adapted into a Commercial software, 'LiverVision'. It is aimed to reveal the most effective and accurate DL architecture for fully automatic liver segmentation. Equal conditions were provided to all architectures in the experiments so as to measure the effectiveness of algorithms accuracy, and Dice coefficient metrics were also employed to support comparative analysis. Experimental results prove that 'U-Net' and 'SegNet' have been superior in line with the experiments conducted considering the concepts of time, cost, and effectiveness. Considering both architectures, 'SegNet' was observed to be more successful in eliminating false-positive values. Besides, it was seen that the accuracy metric used to measure effectiveness in image segmentation alone was not enough. Results reveal that DL algorithms are able to automate organ segmentation from DICOM images with high accuracy. This contribution is critical for surgical preplanning and motivates author to apply this approach to the different organs and field of medicine.

研究の動機と目的

• CT画像における自動肝臓セグメンテーションのための最新のディーブラーニングアーキテクチャを評価および比較すること。
• これらのモデルを、同一の実験条件のもとで商業ソフトウェアプラットフォーム「LiverVision」に実装および適応すること。
• 精度、Dice係数、処理時間、計算コストの観点から、最も効果的なディーブラーニングアーキテクチャを特定すること。
• 従来の精度指標だけでは、医用画像におけるセグメンテーション性能の評価が十分でないかどうかを検証すること。
• 他の臓器や医療応用分野への同様の自動セグメンテーション手法の応用に向けた基盤を確立すること。

提案手法

• 最新のディーブラーニングモデル—U-NetおよびSegNet—を「LiverVision」という商業ソフトウェアプラットフォームに適応および実装した。
• 標準的な前処理およびデータ拡張技術を用いて、CT画像のデータセット上でモデルを学習および検証した。
• すべてのモデルにおいて同一の実験条件を確保した。これには、入力正規化、解像度、および学習プロトコルが含まれた。
• セグメンテーション性能の主な指標としてDice係数を用い、併せて精度および推論時間を評価した。
• 入力としてDICOMフォーマットのCT画像を用い、正解セグメンテーションは専門家による手動アノテーションで作成した。
• 一貫した評価プロトコルを用いてモデル間の比較分析を実施し、公正な性能ベンチマークを確保した。

実験結果

リサーチクエスチョン

• RQ1 同一の条件下で、U-NetとSegNetのどちらが肝臓CT画像のセグメンテーション精度が高いか？
• RQ2 U-NetとSegNetは、肝臓セグメンテーションタスクにおける誤検出率の観点でどのように比較されるか？
• RQ3 精度指標のみではなく、Dice係数が臨床的有用性とどの程度相関しているか？
• RQ4 商業ソフトウェアプラットフォームは、最新のディーブラーニングモデルを効果的に統合・展開できるか？
• RQ5 異なるディーブラーニングアーキテクチャにおいて、計算コスト、推論時間、セグメンテーション性能の間にはどのようなトレードオフがあるか？

主な発見

• SegNetはU-Netに比べ、誤検出の多いセグメンテーション誤差をより効果的に低減した。
• U-NetおよびSegNetの両方とも、正解セグメンテーションと強い重複を示す高いDice係数を達成した。
• 精度指標だけでは、空間的一致性や誤検出を考慮できないため、セグメンテーションの有効性を評価するのに不十分であることが判明した。
• SegNetは、複雑な肝臓境界や低コントラスト領域を扱う際、より優れた汎化性能とロバスト性を示した。
• 本研究では、DICOMフォーマットのCT画像から深層学習モデルを用いて高精度かつ信頼性の高い肝臓セグメンテーションを自動化できることを確認した。
• これらのモデルを「LiverVision」プラットフォームに統合することで、臨床的術前計画への実用的導入が可能になった。