[論文レビュー] Automatic Prostate Zonal Segmentation Using Fully Convolutional Network with Feature Pyramid Attention

Yongkai Liu, Guang Yang+8 more|arXiv (Cornell University)|Oct 31, 2019

Prostate Cancer Diagnosis and Treatment参考文献 16被引用数 9

ひとこと要約

本稿では、T2強調MRI上での前立腺の周辺ゾーン（PZ）および移行ゾーン（TZ）の自動セグメンテーションを目的とした、特徴マップのピラミッドを統合した完全畳み込みネットワーク（FCN）を提案する。モデルは内部テストデータセットでPZが0.74、TZが0.86の高いDiceスコアを達成し、外部検証データセットではPZが0.74、TZが0.792を示し、専門放射線科医の水準に相当する性能を示した。

ABSTRACT

Our main objective is to develop a novel deep learning-based algorithm for automatic segmentation of prostate zone and to evaluate the proposed algorithm on an additional independent testing data in comparison with inter-reader consistency between two experts. With IRB approval and HIPAA compliance, we designed a novel convolutional neural network (CNN) for automatic segmentation of the prostatic transition zone (TZ) and peripheral zone (PZ) on T2-weighted (T2w) MRI. The total study cohort included 359 patients from two sources; 313 from a deidentified publicly available dataset (SPIE-AAPM-NCI PROSTATEX challenge) and 46 from a large U.S. tertiary referral center with 3T MRI (external testing dataset (ETD)). The TZ and PZ contours were manually annotated by research fellows, supervised by genitourinary (GU) radiologists. The model was developed using 250 patients and tested internally using the remaining 63 patients from the PROSTATEX (internal testing dataset (ITD)) and tested again (n=46) externally using the ETD. The Dice Similarity Coefficient (DSC) was used to evaluate the segmentation performance. DSCs for PZ and TZ were 0.74 and 0.86 in the ITD respectively. In the ETD, DSCs for PZ and TZ were 0.74 and 0.792, respectively. The inter-reader consistency (Expert 2 vs. Expert 1) were 0.71 (PZ) and 0.75 (TZ). This novel DL algorithm enabled automatic segmentation of PZ and TZ with high accuracy on both ITD and ETD without a performance difference for PZ and less than 10% TZ difference. In the ETD, the proposed method can be comparable to experts in the segmentation of prostate zones.

研究の動機と目的

• T2強調MRI上での前立腺ゾーン（PZおよびTZ）の自動セグメンテーションのためのディープラーニングベースの手法を開発すること。
• 独立した外部データセットを用いたモデルの性能評価を通じて、一般化能を確保すること。
• 2名の専門放射線科医間の読影差異と比較して、モデルのセグメンテーション精度を評価すること。
• 手作業によるセグメンテーションが時間のかかる作業であり、読影者間でばらつきが生じることの課題を解決すること。
• 前立腺がんの診断や治療計画に応用可能な、堅牢で自動化されたゾーンセグメンテーションを実現すること。

提案手法

• T2強調MRIスキャンからのマルチスケール特徴を捉えるために、特徴マップのピラミッドアテンションを統合した新規の完全畳み込みニューラルネットワーク（FCN）を設計した。
• エンコーダーの異なる段階からの特徴を統合するスカイプ接続を組み込み、空間的詳細を保持した。
• 異なるスケールでの重要な特徴を動的に強調するため、特徴マップのピラミッドアテンションモジュールを導入し、局所化精度を向上させた。
• PROSTATEXチャレンジの250例の大きなデータセットを用いて学習し、63例の内部および46例の外部患者を用いて検証した。
• 境界の精度を向上させるために、Dice損失を組み合わせたバイナリクロスエントロピー損失関数を最適化に用いた。
• アノテーションは泌尿器科放射線科医の監修のもと、研究フェローが作成し、高品質な真値を確保した。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、多様なデータセットにおいてT2強調MRI上での前立腺ゾーンのセグメンテーションで高い精度を達成できるか？
• RQ2 提案手法の性能は、2名の専門放射線科医間の読影差異と比較してどの程度か？
• RQ3 特徴マップのピラミッドアテンションの統合は、標準的なFCNアーキテクチャと比較してセグメンテーション精度を向上させるか？
• RQ4 異なる臨床施設から得た独立した外部データセットでテストした場合、モデルの性能は堅牢か？
• RQ5 臨床現場において、専門家レベルのセグメンテーション性能に達成できるか？

主な発見

• 内部テストデータセット（ITD）では、周辺ゾーン（PZ）のDice類似係数（DSC）が0.74、移行ゾーン（TZ）が0.86を達成した。
• 外部テストデータセット（ETD）では、PZが0.74、TZが0.792のDSCを示し、未知のデータへの一般化能が優れていることが示された。
• 2名の専門放射線科医間の読影差異は、PZが0.71、TZが0.75のDSCを示し、モデルの性能が専門家レベルのばらつきと同等であることが確認された。
• 外部データセットでも顕著な性能低下が認められず、異なる画像プロトコルやスキャナープラットフォームに対しても堅牢であることが示された。
• 特徴マップのピラミッドアテンション機構により、前立腺ゾーン間の微細な境界を区別するための特徴表現が向上した。
• 提案手法は、最小限の人的介入で正確な自動セグメンテーションを実現でき、臨床応用に適したものである。