[論文レビュー] Efficient liver segmentation with 3D CNN using computed tomography scans

Khaled Humady, Yasmeen Al-Saeed+4 more|arXiv (Cornell University)|Aug 28, 2022

AI in cancer detection被引用数 4

ひとこと要約

本稿では、腹部CTスキャンにおける自動肝領域分離のための効率的な3次元畳み込みニューラルネットワーク（3D CNN）ベースのDeepMedicフレームワークを提案する。二重パスウェイ入力とマルチコントラストCTデータを活用することで、分離精度を向上させる。本手法は93.14%のDice類似度スコアを達成し、その後続のがん腫瘍解析における肝領域検出において優れた性能を示した。

ABSTRACT

The liver is one of the most critical metabolic organs in vertebrates due to its vital functions in the human body, such as detoxification of the blood from waste products and medications. Liver diseases due to liver tumors are one of the most common mortality reasons around the globe. Hence, detecting liver tumors in the early stages of tumor development is highly required as a critical part of medical treatment. Many imaging modalities can be used as aiding tools to detect liver tumors. Computed tomography (CT) is the most used imaging modality for soft tissue organs such as the liver. This is because it is an invasive modality that can be captured relatively quickly. This paper proposed an efficient automatic liver segmentation framework to detect and segment the liver out of CT abdomen scans using the 3D CNN DeepMedic network model. Segmenting the liver region accurately and then using the segmented liver region as input to tumors segmentation method is adopted by many studies as it reduces the false rates resulted from segmenting abdomen organs as tumors. The proposed 3D CNN DeepMedic model has two pathways of input rather than one pathway, as in the original 3D CNN model. In this paper, the network was supplied with multiple abdomen CT versions, which helped improve the segmentation quality. The proposed model achieved 94.36%, 94.57%, 91.86%, and 93.14% for accuracy, sensitivity, specificity, and Dice similarity score, respectively. The experimental results indicate the applicability of the proposed method.

研究の動機と目的

• 腹部CTスキャンにおける早期肝腫瘍検出を支援する、自動的かつ効率的な肝領域分離フレームワークの開発を目的とする。
• まず肝領域を正確に輪郭化することで、腫瘍分離における誤検出率を低減することを目的とする。
• 3次元畳み込みニューラルネットワーク（3D CNN）モデルに複数のCT画像変種を組み込むことで、分離性能を向上させることを目的とする。
• 標準的な指標（Diceスコア、正解率、感度、特異度など）を用いて、臨床実データ上で提案手法の評価を行うこと。

提案手法

• 提案手法は、単一パスウェイではなく二重パスウェイを持つ3次元畳み込みニューラルネットワーク（3D CNN）ベースのDeepMedicアーキテクチャを採用し、多様なCTコントラストからの特徴の学習を向上させる。
• ネットワークは、複数のコントラスト位相を含む腹部CTスキャンのデータセット上で学習され、耐障害性と一般化性能を向上させる。
• 入力データには、標準化されたヘンスフィールド単位（HU）ウィンドウ処理と正規化を施した事前処理済みCTボリュームが含まれ、モデルの収束を促進する。
• モデルは、空間分解能と微細な解剖学的詳細を保持するためのスキップ接続を備えた完全畳み込みエンコーダ・デコーダ構造を採用する。
• クラスの不均衡と分離境界の正確性を向上させるために、バイナリ交差エントロピー損失とDice損失の組み合わせを用いて損失関数最適化が行われる。
• 回転、反転、強度のジャイタリングなどのデータ拡張技術が適用され、トレーニングデータの多様性を増やし、モデルの一般化性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 腹部CTスキャンにおいて、単一パスウェイモデルと比較して、二重パスウェイ3D CNNアーキテクチャは肝領域分離の正確性を向上させることができるか？
• RQ2 CTスキャンの複数コントラスト位相を組み込むことで、肝領域分離モデルの性能にどのような影響を与えるか？
• RQ3 肝領域の輪郭化を改善することで、本手法は、その後続のがん腫瘍分離における誤検出をどの程度低減できるか？
• RQ4 標準指標（Diceスコア、感度、特異度、正解率など）における本手法の定量的性能はいかほどか？

主な発見

• 提案手法は93.14%のDice類似度スコアを達成し、予測領域と正解領域との間の強い重複を示した。
• 感度は94.57%に達し、モデルが実際の肝組織の大部分を検出できる能力を示した。
• 特異度は91.86%であり、非肝構造の効果的な除外を示した。
• 正解率94.36%は、モデルの分離予測全体の正確性を確認した。
• 二重パスウェイ設計により、特にコントラストが低いか、ノイズの多いCTスキャン領域における特徴表現が顕著に向上した。
• マルチフェーズCTデータの使用により、多様な臨床的画像条件下でのモデルの耐障害性と一般化性能が向上した。