[論文レビュー] Comprehensive Validation of Automated Whole Body Skeletal Muscle, Adipose Tissue, and Bone Segmentation from 3D CT images for Body Composition Analysis: Towards Extended Body Composition

Da Ma, Vincent Chow+2 more|arXiv (Cornell University)|Jun 1, 2021

Nutrition and Health in Aging参考文献 10被引用数 14

ひとこと要約

本論文は、日常的な3次元CTスキャンから骨格筋、脂肪組織（皮下および内臓脂肪）、および骨を自動かつ正確に定量可能な、深層学習に基づく3次元全身セグメンテーションフレームワークを提示する。50例の患者スキャンを用いた妥当性評価では、Diceスコアが0.980～0.986に達し、精密医療における拡張された身体組成解析に不可欠な正確な体積およびテクスチャ測定が可能になった。

ABSTRACT

The latest advances in computer-assisted precision medicine are making it feasible to move from population-wide models that are useful to discover aggregate patterns that hold for group-based analysis to patient-specific models that can drive patient-specific decisions with regard to treatment choices, and predictions of outcomes of treatment. Body Composition is recognized as an important driver and risk factor for a wide variety of diseases, as well as a predictor of individual patient-specific clinical outcomes to treatment choices or surgical interventions. 3D CT images are routinely acquired in the oncological worklows and deliver accurate rendering of internal anatomy and therefore can be used opportunistically to assess the amount of skeletal muscle and adipose tissue compartments. Powerful tools of artificial intelligence such as deep learning are making it feasible now to segment the entire 3D image and generate accurate measurements of all internal anatomy. These will enable the overcoming of the severe bottleneck that existed previously, namely, the need for manual segmentation, which was prohibitive to scale to the hundreds of 2D axial slices that made up a 3D volumetric image. Automated tools such as presented here will now enable harvesting whole-body measurements from 3D CT or MRI images, leading to a new era of discovery of the drivers of various diseases based on individual tissue, organ volume, shape, and functional status. These measurements were hitherto unavailable thereby limiting the field to a very small and limited subset. These discoveries and the potential to perform individual image segmentation with high speed and accuracy are likely to lead to the incorporation of these 3D measures into individual specific treatment planning models related to nutrition, aging, chemotoxicity, surgery and survival after the onset of a major disease such as cancer.

研究の動機と目的

• 個々の患者の予後予測において2次元単一切面CT測定の限界を克服するため、完全な3次元体積解析を可能にする。
• 高い正確性と高速性を備えた、全身3次元CTスキャンを処理可能な自動化された深層学習ベースのセグメンテーション手法を開発する。
• 精密医療を目的として、複数の組織および臓器における体積、形状、テクスチャといった包括的な身体組成指標の抽出を可能にする。
• 代理推定値の代わりに直接的な3次元測定を用いることで、個別化された臨床予測モデルの構築に基盤を築く。
• がん、加齢、代謝疾患に対する患者固有の治療計画に、高度な画像バイオマーカーを統合するのを支援する。

提案手法

• 3次元CTボリューム内の全軸断層画像を対象として、全身セグメンテーションに適した深層学習ベースの3次元U-Netアーキテクチャを採用する。
• 骨、骨格筋、皮下脂肪、内臓脂肪の4組織に対して専門家がアノテートしたラベルを用い、多様な50例の3次元CTスキャンでエンドツーエンドに訓練された。
• コントラスト、非コントラスト、低線量CTプロトコルの多様な条件に対応するため、データ増強および正規化技術を適用する。
• 全組織タイプのセグメンテーション正確性を最適化するため、Diceと交差エントロピーを組み合わせたマルチ構造損失関数を採用する。
• ホールドアウトテストセットの50例を用いて、セグメンテーション適合度を評価する標準指標であるDice係数を用いて性能を検証する。
• 臨床現場でのスケーラビリティを考慮し、本手法は商業ソフトウェアプラットフォーム（DAFS 3.0）に統合され、実用的導入が可能である。

実験結果

リサーチクエスチョン

• RQ1 全身CTスキャンからの自動3次元セグメンテーションは、骨格筋、脂肪組織、骨について、臨床的利用に十分な高い正確性を達成できるか？
• RQ2 3次元体積測定は、L3断層などの2次元単一切面測定と比較して、真の全身組織体積を予測する上でどのように優れているか？
• RQ3 深層学習ベースのセグメンテーションは、個別化された予後予測における回帰ベースの代理推定の限界をどの程度克服できるか？
• RQ4 本手法は、非コントラスト、コントラスト強化、低線量スキャンを含む多様なCT撮影プロトコルに一般化可能か？
• RQ5 3次元身体組成指標は、従来のBMIや体表面積ベースのモデルをはるかに超えて、個別化された治療計画をどのように改善できるか？

主な発見

• テストセット50例のCTスキャンにおいて、提案された3次元セグメンテーションモデルは、骨に対して平均Dice係数0.980、骨格筋に対して0.974、皮下脂肪に対して0.986、内臓脂肪組織に対して0.960を達成した。
• 高いDiceスコアは、熟練者水準のセグメンテーション正確性を示しており、自動的全身組織定量の実現可能性を裏付けた。
• 2次元単一切面アプローチに比べ、本手法は真の3次元組織体積を推定する際の誤差を10–30％からほぼ理想に近い精度にまで低減した。
• コントラストあり・なしを含む未学習の多様なCTスキャンに対して実施した実証的テストにより、学習データを超えた強力な一般化性能が確認された。
• 本フレームワークは、肝臓、脾臓、腎臓、膵臓などの複数臓器から3次元体積、形状、レディオミクス的テクスチャ特徴を抽出可能であり、拡張された身体組成モデルの構築を支援する。
• 本手法は、データ分析支援スイート3.0を介して商業的に提供されており、臨床現場への導入および縦断的患者モニタリングを可能としている。