[論文レビュー] Deep Supervision for Pancreatic Cyst Segmentation in Abdominal CT Scans

Yuyin Zhou, Lingxi Xie+2 more|arXiv (Cornell University)|Jun 22, 2017

Advanced Neural Network Applications参考文献 12被引用数 19

ひとこと要約

本稿では、腹部CTスキャンにおける膵臓嚢胞の自動分離のためのディープスーパービジョン手法を提案する。膵臓分離を監視信号として用いることで、嚢胞の局在を向上させる。タスクを2段階に分解し（膵臓検出 → 嚢胞分離）、推論時に人為的介入なしに63.44%のDice-Sørensen係数（DSC）を達成し、ベースライン手法より2.98%の絶対的向上を達成した。

ABSTRACT

Automatic segmentation of an organ and its cystic region is a prerequisite of computer-aided diagnosis. In this paper, we focus on pancreatic cyst segmentation in abdominal CT scan. This task is important and very useful in clinical practice yet challenging due to the low contrast in boundary, the variability in location, shape and the different stages of the pancreatic cancer. Inspired by the high relevance between the location of a pancreas and its cystic region, we introduce extra deep supervision into the segmentation network, so that cyst segmentation can be improved with the help of relatively easier pancreas segmentation. Under a reasonable transformation function, our approach can be factorized into two stages, and each stage can be efficiently optimized via gradient back-propagation throughout the deep networks. We collect a new dataset with 131 pathological samples, which, to the best of our knowledge, is the largest set for pancreatic cyst segmentation. Without human assistance, our approach reports a 63.44% average accuracy, measured by the Dice-Sørensen coefficient (DSC), which is higher than the number (60.46%) without deep supervision.

研究の動機と目的

• 腹部CTスキャンにおける低コントラストで形状が多様な膵臓嚢胞の分離に課題があること、これは小規模かつ形態的多様性のため、分離が困難である。
• テスト段階での手動アノテーションに依存を減らすために、完全に自動化された分離システムを開発すること。
• 膵臓とその嚢胞病変との空間的・解剖学的関係を活用することで、嚢胞分離の正確性を向上させること。
• 131例の病理的症例を含む大規模データセットを通じて、膵臓嚢胞分離のための新しいベンチマークを確立すること。

提案手法

• 共通エンコーダと二重デコーダヘッドを備えた1つのディープネットワークで、膵臓と嚢胞分離を同時に最適化するディープスーパービジョンを導入。
• 最適化を2段階に分解：まず膵臓マスクを予測し、次に予測された膵臓を空間的事前分布として用いて嚢胞分離を精緻化。
• 両段階を通過する逆誤差伝搬を可能にする変換関数を適用し、勾配ベース最適化を可能に。
• クラス不均衡を扱うために、膵臓および嚢胞分離の両方の損失関数としてDice-Sørensen係数（DSC）を採用。
• 粗いから細かい段階への分離フレームワークを採用し、小規模でコントラストが低い嚢胞の局在を向上。
• 専門家がアノテートした膵臓および嚢胞マスクを備えた、131例の病理的腹部CTスキャンから構成される新規データセットを用いて訓練および評価。

実験結果

リサーチクエスチョン

• RQ1 膵臓分離を活用するディープスーパービジョンは、低コントラストで形状が多様な症例における膵臓嚢胞分離の正確性を向上させることができるか？
• RQ2 膵臓と嚢胞分離を同時に最適化する手法は、独立した学習と比較してDSCおよび頑健性において優れているか？
• RQ3 予測された膵臓マスクが空間的事前分布として機能することで、嚢胞局在の向上と偽陰性の低減にどの程度寄与するか？
• RQ4 完全に自動化されたシステムは、推論時に人為的入力なしに臨床的に有用な分離性能を達成できるか？
• RQ5 データセットのサイズおよび病理的多様性が、嚢胞分離モデルの一般化性能に与える影響は何か？

主な発見

• 提案手法は、131例の病理的症例において平均63.44%のDSCを達成し、ディープスーパービジョンなしのベースラインと比較して2.98%の絶対的向上を示した。
• 誤って見逃された嚢胞症例の数は、ベースラインの16例から、ディープスーパービジョンを用いた場合の8例に減少し、困難な症例における頑健性の向上を示した。
• 嚢胞体積が全体の0.1%未満の症例においても、本手法は妥当な性能を維持し、有利なケースではDSCが最大95%に達した。
• 膵臓分離段階の平均DSCは79.23%であり、健康な症例と比較して低く、病理的膵臓では分離がより困難であることを示唆している。
• オラクルの膵臓バウンディングボックスが提供された場合、DSCは77.92%に達し、空間的事前分布が嚢胞分離に価値をもたらすことを確認した。
• 失敗事例の主な原因は、膵臓分離の不正確さであり、膵臓局在が嚢胞検出の主要なボトルネックであると示唆している。