[論文レビュー] Deep Distance Transform for Tubular Structure Segmentation in CT Scans

Yan Wang, Wei Xu+6 more|arXiv (Cornell University)|Dec 6, 2019

Medical Image Segmentation Techniques参考文献 50被引用数 7

ひとこと要約

本稿では、CTスキャンにおける管状構造のセグメンテーションマスクと距離マップを同時に予測する幾何学的注意を払った深層学習手法、Deep Distance Transform (DDT) を提案する。距離マップを用いて形状事前分布を再構築することで、セグメンテーションの精度が向上し、膵臓管のセグメンテーションにおいて13%以上のDSC向上を達成する。同時に、臨床的に有用な断面スケール測定値を提供する。

ABSTRACT

Tubular structure segmentation in medical images, e.g., segmenting vessels in CT scans, serves as a vital step in the use of computers to aid in screening early stages of related diseases. But automatic tubular structure segmentation in CT scans is a challenging problem, due to issues such as poor contrast, noise and complicated background. A tubular structure usually has a cylinder-like shape which can be well represented by its skeleton and cross-sectional radii (scales). Inspired by this, we propose a geometry-aware tubular structure segmentation method, Deep Distance Transform (DDT), which combines intuitions from the classical distance transform for skeletonization and modern deep segmentation networks. DDT first learns a multi-task network to predict a segmentation mask for a tubular structure and a distance map. Each value in the map represents the distance from each tubular structure voxel to the tubular structure surface. Then the segmentation mask is refined by leveraging the shape prior reconstructed from the distance map. We apply our DDT on six medical image datasets. The experiments show that (1) DDT can boost tubular structure segmentation performance significantly (e.g., over 13% improvement measured by DSC for pancreatic duct segmentation), and (2) DDT additionally provides a geometrical measurement for a tubular structure, which is important for clinical diagnosis (e.g., the cross-sectional scale of a pancreatic duct can be an indicator for pancreatic cancer).

研究の動機と目的

• 複雑な背景を有する低コントラストでノイズの多いCTスキャンにおける管状構造の正確なセグメンテーションの課題に対処すること。
• 円筒形状や一貫した断面半径といった幾何的制約を無視する既存の学習ベース手法の限界を克服すること。
• 導出が難しい真値スケルトンに依存せず、微分可能で幾何学的注意を払った監督信号として距離変換を用いること。
• 診断のための疾患（例：膵臓がん）に有用な臨床的測定値として、断面スケールをセグメンテーションと共に提供すること。

提案手法

• 3次元CTスキャンにおける管状構造について、セグメンテーションマスクと距離マップを同時に予測するマルチタスク深層ニューラルネットワークを訓練する。
• 距離マップ（各ボクセル値が最近接表面までの距離を表す）を用い、管状構造のスケルトンと半径を暗黙的に符号化する。
• 距離マップのリッジ（局所的最大値）を特定することで、スケルトンとそれに関連する半径を再構築し、形状事前分布を生成する。
• 再構築された形状事前分布を用いて初期セグメンテーションマスクを精緻化し、幾何的整合性を強制することで精度を向上させる。
• スケルトン上での予測最大距離（半径）を、膵臓管拡張などの病態の臨床的指標として活用する。
• 真値スケルトンを必要とせず、従来のスケルトン化手法に伴う不安定性や誤差を回避してエンドツーエンドで適用可能である。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルが、ノイズが多くコントラストが低いCTスキャンにおける管状構造のセグメンテーションを向上させるために、同時にセグメンテーションと距離マップを予測できるか？
• RQ2 距離マップから導出される幾何的事前分布を組み込むことで、標準的なセグメンテーションネットワークと比較して、より解剖学的に整合的で正確なセグメンテーションが得られるか？
• RQ3 予測された距離マップが、膵臓管癌（PDAC）の診断に役立つ臨床的意味のある測定値（例：断面半径）を提供できるか？
• RQ4 以前に見逃された腫瘍を、病変の間接的兆候である拡張した胆管を特定することで同定できるか？
• RQ5 DDTの性能は、Dice類似係数および臨床的検出感度の観点で、最先端の手法と比較してどうなるか？

主な発見

• DDTは、ベースライン手法と比較して、膵臓管セグメンテーションにおいて13%以上の相対的DSC向上を達成した。
• 本手法は、以前に見逃された8例の膵臓管癌（PDAC）腫瘍のうち4例を同定し、見逃し数を8例から4例に削減した。
• DDTを従来の検出手法と組み合わせた場合、感度は94.1%から97.1%に向上したが、特異度は98.5%を維持した。
• スケルトン上での予測最大距離（半径）は、信頼性の高い幾何的測定値を提供する。3ボクセル以上（約1.5 mm）の距離は、PDACの既知の兆候である胆管拡張を示唆する。
• 本手法により、拡張した胆管を用いて腫瘍の探索範囲を絞り込み、後続のネットワークがより小さな高リスク領域に集中できるようになり、検出精度が向上した。
• 本手法は真値スケルトンを必要とせず、従来の3次元スケルトン化手法に伴う不安定性や誤差を回避しながらも、高い幾何的忠実度を達成している。