[論文レビュー] Comp2Comp: Open-Source Body Composition Assessment on Computed Tomography

Louis Blankemeier, Arjun Desai+12 more|arXiv (Cornell University)|Feb 13, 2023

Body Composition Measurement Techniques被引用数 7

ひとこと要約

Comp2Comp は、腹部 CT スキャンにおける自動的で高精度な体組成解析を可能にするオープンソースの Python パッケージである。骨、骨格筋、内臓脂肪組織（VAT）、皮下脂肪組織（SAT）の迅速なセグメンテーションを実現する。スパインレベル（T12–L5）およびユーザー定義の軸断層の2つのパイプラインを提供し、筋肉（平均 0.97）、VAT（0.96）、SAT（0.97）で高い Dice スコアを達成。HU 測定値および断面積測定値の誤差は 1% 未満であり、内部および外部のデータセットを用いた検証が行われた。

ABSTRACT

Computed tomography (CT) is routinely used in clinical practice to evaluate a wide variety of medical conditions. While CT scans provide diagnoses, they also offer the ability to extract quantitative body composition metrics to analyze tissue volume and quality. Extracting quantitative body composition measures manually from CT scans is a cumbersome and time-consuming task. Proprietary software has been developed recently to automate this process, but the closed-source nature impedes widespread use. There is a growing need for fully automated body composition software that is more accessible and easier to use, especially for clinicians and researchers who are not experts in medical image processing. To this end, we have built Comp2Comp, an open-source Python package for rapid and automated body composition analysis of CT scans. This package offers models, post-processing heuristics, body composition metrics, automated batching, and polychromatic visualizations. Comp2Comp currently computes body composition measures for bone, skeletal muscle, visceral adipose tissue, and subcutaneous adipose tissue on CT scans of the abdomen. We have created two pipelines for this purpose. The first pipeline computes vertebral measures, as well as muscle and adipose tissue measures, at the T12 - L5 vertebral levels from abdominal CT scans. The second pipeline computes muscle and adipose tissue measures on user-specified 2D axial slices. In this guide, we discuss the architecture of the Comp2Comp pipelines, provide usage instructions, and report internal and external validation results to measure the quality of segmentations and body composition measures. Comp2Comp can be found at https://github.com/StanfordMIMI/Comp2Comp.

研究の動機と目的

• 日常的な腹部 CT スキャンからの定量的体組成解析のためのアクセス可能で自動化されたツールの不足に対処すること。
• 特許ソフトウェアの制限を克服し、完全にオープンソースで使いやすいソリューションを提供すること。
• 筋肉量、脂肪蓄積、骨密度といった体組成指標の広範な採用を可能にし、臨床的および研究的応用に貢献すること。
• CT における主要な組織の自動的で再現性のあるセグメンテーションを通じて、サルコペニアおよび骨粗鬆症の早期発見を支援すること。
• データ処理および可視化の簡素化により、大規模な縦断的研究および臨床統合を促進すること。

提案手法

• 脊椎全体の 3D セグメンテーションに TotalSegmentator モデルを活用し、椎体（T12–L5）を特定し、解剖学的ランドマークを抽出する。
• コントラスト強調 CT スキャンで微調整された深層学習モデル（stanford_v0.0.1）を用いて、軸断層における骨格筋、VAT、SAT のセグメンテーションを実行する。
• ポリクロミック可視化を用いて、セグメンテーション出力の迅速な品質保証を可能にする。
• コマンドラインインターフェースまたは SLURM ジョブ送信を介して、DICOM 形式の CT スタディを一括処理する。
• 後処理のヒューリスティクスを実装し、セグメンテーション結果の精度を向上させ、解剖学的に妥当な出力を保証する。
• Hounsfield 単位（HU）の平均値、断面積、組織体積を含む標準化された体組成指標を計算する。

実験結果

リサーチクエスチョン

• RQ1 オープンソースで自動化されたパイプラインは、腹部 CT における体組成解析で、手動またはプロプライエタリーツールと同等の高いセグメンテーション精度を達成できるか？
• RQ2 モデルは、特に筋肉および脂肪組織のセグメンテーションにおいて、異なる施設およびスキャナープロトコルにわたって一般化できるか？
• RQ3 自動化された椎体セグメンテーションおよび HU 測定は、日常的な CT スキャンを用いた骨粗鬆症スクリーニングをどの程度支援できるか？
• RQ4 専門的な医学画像処理の知識がなくても、臨床および研究ワークフローに効率的に導入できるか？
• RQ5 内部および外部の検証セットにおいて、計算された体組成指標（例：HU、断面積）は、真値と比較してどの程度正確か？

主な発見

• スパインパイプラインでは、L3 で平均 3.38 mm、L4 で 2.68 mm の垂直中心誤差を示し、全レベルで HU ROI 誤差が 4 HU 未満、相対誤差が 2.6% 未満であった。
• 内部テストセット（40 例、コントラスト強調 CT）において、L3 水平で筋肉の Dice スコアが 0.97、VAT が 0.96、SAT が 0.97 を達成した。
• 別の施設の 20 例からなる外部検証では、L3 で筋肉が 94.7%、VAT が 94.6%、SAT が 93.2% の Dice スコアを示し、全レベルにわたり高い一貫性を示した。
• 内部テストセットにおいて、Hounsfield 単位（HU）測定の誤差は 1% 未満、断面積誤差は全組織で 2% 未満であった。
• 多様な解剖学的領域およびスキャンプロトコルにわたり、最小限のユーザー入力で安定したパフォーマンスを発揮した。
• 本パッケージは、ポリクロミック可視化レポートを用いた自動的で再現性があり、スケーラブルな体組成解析を可能にした。