[論文レビュー] Deep Learning to Segment Pelvic Bones: Large-scale CT Datasets and Baseline Models

Pengbo Liu, Hu Han+10 more|arXiv (Cornell University)|Dec 16, 2020

Medical Imaging and Analysis参考文献 37被引用数 7

ひとこと要約

本論文は、1,184ボリューム（32万スライス以上）の大型でマルチソースの仙骨CTデータセットを紹介し、腰椎、仙骨、左大腿骨、右大腿骨を分類する深層畳み込みニューラルネットワークを提案する。金属欠損なしスキャンでは平均Diceスコアが0.987を達成し、新規のSDFベースのポストプロセッサにより耐障害性が向上し、従来手法と比較してハウスドルフ距離が15.1%低減された。

ABSTRACT

Purpose: Pelvic bone segmentation in CT has always been an essential step in clinical diagnosis and surgery planning of pelvic bone diseases. Existing methods for pelvic bone segmentation are either hand-crafted or semi-automatic and achieve limited accuracy when dealing with image appearance variations due to the multi-site domain shift, the presence of contrasted vessels, coprolith and chyme, bone fractures, low dose, metal artifacts, etc. Due to the lack of a large-scale pelvic CT dataset with annotations, deep learning methods are not fully explored. Methods: In this paper, we aim to bridge the data gap by curating a large pelvic CT dataset pooled from multiple sources and different manufacturers, including 1, 184 CT volumes and over 320, 000 slices with different resolutions and a variety of the above-mentioned appearance variations. Then we propose for the first time, to the best of our knowledge, to learn a deep multi-class network for segmenting lumbar spine, sacrum, left hip, and right hip, from multiple-domain images simultaneously to obtain more effective and robust feature representations. Finally, we introduce a post-processing tool based on the signed distance function (SDF) to eliminate false predictions while retaining correctly predicted bone fragments. Results: Extensive experiments on our dataset demonstrate the effectiveness of our automatic method, achieving an average Dice of 0.987 for a metal-free volume. SDF post-processor yields a decrease of 10.5% in hausdorff distance by maintaining important bone fragments in post-processing phase. Conclusion: We believe this large-scale dataset will promote the development of the whole community and plan to open source the images, annotations, codes, and trained baseline models at https://github.com/ICT-MIRACLE-lab/CTPelvic1K.

研究の動機と目的

• 医療画像におけるディープラーニングのための、大規模で多様性に富み、オープンソースの仙骨CTデータセットの不足に対処すること。
• 金属アーチファクト、低線量スキャン、骨折、対比剤を含む画像外観の変動による仙骨骨分類の課題を克服すること。
• マルチドメインCTスキャンから、腰椎、仙骨、左右の大腿骨の4つの仙骨骨構造を同時に分類する深層マルチクラスネットワークの開発。
• 新規の符号付き距離関数（SDF）ベースのポストプロセッサを用いて、分類精度と耐障害性を向上させること。
• ベースラインシステムを確立し、データセット、アノテーション、コード、およびトレーニング済みモデルを公開することで、仙骨解剖学分類分野の研究を加速すること。

提案手法

• 金属アーチファクト、対比血管、低線量プロトコルを含む多様な画像条件を持つ、複数の臨床的ソースおよびスキャナからの大規模な仙骨CTデータセットを収集した。
• 異なる画像ドメインにわたる強力で汎用性の高い特徴を学習できるように、マルチドメインCTデータ上でエンドツーエンドにトレーニングされた深層マルチクラス分類ネットワークを提案した。
• 小さな断片を除去し境界の正確性を向上させるために、符号付き距離関数（SDF）に基づく新規なポストプロセッシングモジュールを設計した。
• 全データセット（Φ_ALLと表記）を統合して1つのモデルをトレーニングし、サブデータセットを横断して評価することで、ドメインおよび製造元にわたる一般化性能を評価した。
• 留保1つ交差検証およびドメイン一般化実験を含む広範なアブレーションスタディを実施し、マルチソースデータ統合の有効性を検証した。
• 評価指標としてDice係数（DC）とハウスドルフ距離（HD）を用い、SDFポストプロセッサはHDを顕著に低減したが、解剖学的構造は保持した。

実験結果

リサーチクエスチョン

• RQ1 大規模でマルチソースの仙骨CTデータセットは、仙骨骨分類のためのディープラーニングモデルの一般化性能と耐障害性を向上させることができるか？
• RQ2 腰椎、仙骨、両大腿骨の共同マルチクラス分類は、複雑な画像条件下で単一構造またはバイナリ分類を上回る性能を示すか？
• RQ3 提案されたSDFポストプロセッサは、特にハウスドルフ距離と小さな断片の除去という観点で、どの程度分類誤差を低減するか？
• RQ4 個別のサブデータセットでトレーニングするのと比較して、統合されたマルチドメインデータセットでトレーニングすることは、ドメイン間一般化性能にどのように影響するか？
• RQ5 多様な臨床施設およびスキャナからのデータ統合は、ドメインシフトを緩和し、実世界のシナリオにおけるモデルの耐障害性を向上させるか？

主な発見

• 提案された深層マルチクラス分類モデルは、金属欠損なしCTボリュームにおいて平均Dice係数0.987を達成し、高い正確性を示した。
• SDFポストプロセッサは、従来のMCRポストプロセッサと比較してハウスドルフ距離を15.1%低減し、境界の正確性が顕著に向上した。
• 統合モデルΦ_ALLは、サブデータセット固有のモデルよりもドメイン横断的評価で優れた性能を示し、マルチソースデータ統合の利点を確認した。
• 留保1つ交差検証の結果、5つのサブデータセットでトレーニングしたモデルは第6のデータセットにも一般化可能であり、データ量の3分の1でΦ_ALLと同等の性能を達成した。
• 図5および図6の定性的な結果から、SDFフィルタリングが大きな解剖学的構造を効果的に保持するとともに、不審な小さな断片を除去できることを確認した。
• データセット、コード、アノテーション、トレーニング済みモデルは、https://github.com/ICT-MIRACLE-lab/CTPelvic1K で公開されており、再現性とコミュニティの進展を可能にしている。