[論文レビュー] DeepGI: An Automated Approach for Gastrointestinal Tract Segmentation in MRI Scans

Ye Zhang, Yulu Gong+3 more|arXiv (Cornell University)|Jan 27, 2024

Radiomics and Machine Learning in Medical Imaging被引用数 13

ひとこと要約

この論文は、放射線治療計画のためのMRIにおけるGI管セグメンテーションを自動化する三経路深層学習モデル（Inception-V4分類、VGG19を用いる2.5D U-Net++、グレースケールエッジU-Net）を提案し、アンサンブル予測と特化した前処理を特徴とする。

ABSTRACT

Gastrointestinal (GI) tract cancers pose a global health challenge, demanding precise radiotherapy planning for optimal treatment outcomes. This paper introduces a cutting-edge approach to automate the segmentation of GI tract regions in magnetic resonance imaging (MRI) scans. Leveraging advanced deep learning architectures, the proposed model integrates Inception-V4 for initial classification, UNet++ with a VGG19 encoder for 2.5D data, and Edge UNet for grayscale data segmentation. Meticulous data preprocessing, including innovative 2.5D processing, is employed to enhance adaptability, robustness, and accuracy. This work addresses the manual and time-consuming segmentation process in current radiotherapy planning, presenting a unified model that captures intricate anatomical details. The integration of diverse architectures, each specializing in unique aspects of the segmentation task, signifies a novel and comprehensive solution. This model emerges as an efficient and accurate tool for clinicians, marking a significant advancement in the field of GI tract image segmentation for radiotherapy planning.

研究の動機と目的

• MRIスキャンにおけるGI管セグメンテーションを自動化して放射線治療計画における手動描出を削減する。
• 多様な解剖学的ディテールを捉えるために、複数の専門的アーキテクチャを統合する統一モデルを開発する。
• 革新的なデータ前処理（2.5Dおよびグレースケール処理）を通じて頑健性と精度を向上させる。
• GI管の描出を標準化し、介入者間変動を低減する効率的なツールを提供する。

提案手法

• 三経路アーキテクチャは、初期の健康組織分類のためのInception-V4、詳細なセグメンテーションのためのVGG19エンコーダを備えた2.5D U-Net++、HEDベースのエッジ特徴を持つGrayscale Edge U-Netを組み合わせる。
• データ前処理には、空間的データ拡張（320x384へのリサイズ、水平反転、回転、エラスティック歪み、粗いドロップアウト）とグレースケール強度拡張を含み、2.5D処理では連続する3枚のMRIスライスをスタックして2.5D入力を作成する。
• エッジはMBConvブロックとHEDエッジマップを用いたEdge U-Netを介して取り込み、3経路からの推論を平均して最終セグメンテーションを形成する。
• 評価にはDice係数と3D Hausdorff距離を用い、これらを重み付き複合スコアとして結合する（Score = 0.4*Dice + 0.6*3D Hausdorff）。
• モデルはGI管MRIスキャンにおける結腸、小腸、胃領域のセグメンテーションを対象とする。

実験結果

リサーチクエスチョン

• RQ1 グレースケール、2.5D、およびエッジ認識経路がMRIでのGI管セグメンテーションにおいて個別にどの程度有効か。
• RQ2 Inception-V4、2.5D U-Net++ with VGG19、およびEdge U-Netを平均化によって統合することは、個々の経路よりもセグメンテーション精度を改善するか。
• RQ3 グレースケール対2.5D MRIデータに最適なエンコーダーアーキテクチャはどれか。
• RQ4 前処理戦略の中で、画像シナリオ全体でモデルの頑健性を最も効果的に高めるものはどれか。

主な発見

モデル	エンコーダ	検証スコア
UNet	ResNet50	0.71599
UNet	Inception-V4	0.71002
UNet	Xception	0.73761
UNet	EfficientNet-B0	0.68033
UNet	VGG19	0.78925
UNet++	ResNet50	0.7899
UNet++	Inception-V4	0.80095
UNet++	Xception	0.79711
UNet++	EfficientNet-B0	0.71372
UNet++	VGG19	0.80717
Edge UNet	-	0.84046
UNet++	ResNet50	0.80138
UNet++	Xception	0.7961
UNet++	VGG19	0.84984

• Edge U-Netはグレースケール画像セグメンテーションで最も強い性能を示し、検証スコアは0.84046である。
• 2.5Dデータでは、VGG19エンコーダを備えたUNet++が最良の検証スコア0.84984を示す。
• グレースケール実験全体で、VGG19を搭載したUNet++も高い性能を示し0.80717、一方VGG19を用いたUNetは0.78925である。
• 総じて、グレースケールではEdge U-Netが他を上回り、2.5DセグメンテーションではVGG19を搭載したUNet++が首位である。
• 提案されたアンサンブルアプローチはInception-V4、2.5D U-Net++、およびGrayscale Edge U-Netの出力を結合し、セグメンテーションの頑健性を高める。