[論文レビュー] Fibroglandular Tissue Segmentation in Breast MRI using Vision Transformers -- A multi-institutional evaluation

Gustav Müller‐Franzes, Fritz Müller-Franzes+10 more|arXiv (Cornell University)|Apr 18, 2023

MRI in cancer diagnosisMedicine参考文献 25被引用数 3

ひとこと要約

本研究では、乳腺MRIにおける線維嚢胞組織分類のためのビジョントランスフォーマー基盤モデルTraBSを提案し、内部（Dice: 0.916 対 0.909）および外部（Dice: 0.864 対 0.824）の両テストセットにおいて、畳み込みニューラルネットワーク（CNN）ベースのnnUNetを上回る性能を示した。これは、自動化された乳腺密度および背景実質性増強の定量的評価における優れた汎化性と正確性を示している。

ABSTRACT

Accurate and automatic segmentation of fibroglandular tissue in breast MRI screening is essential for the quantification of breast density and background parenchymal enhancement. In this retrospective study, we developed and evaluated a transformer-based neural network for breast segmentation (TraBS) in multi-institutional MRI data, and compared its performance to the well established convolutional neural network nnUNet. TraBS and nnUNet were trained and tested on 200 internal and 40 external breast MRI examinations using manual segmentations generated by experienced human readers. Segmentation performance was assessed in terms of the Dice score and the average symmetric surface distance. The Dice score for nnUNet was lower than for TraBS on the internal testset (0.909$\pm$0.069 versus 0.916$\pm$0.067, P<0.001) and on the external testset (0.824$\pm$0.144 versus 0.864$\pm$0.081, P=0.004). Moreover, the average symmetric surface distance was higher (=worse) for nnUNet than for TraBS on the internal (0.657$\pm$2.856 versus 0.548$\pm$2.195, P=0.001) and on the external testset (0.727$\pm$0.620 versus 0.584$\pm$0.413, P=0.03). Our study demonstrates that transformer-based networks improve the quality of fibroglandular tissue segmentation in breast MRI compared to convolutional-based models like nnUNet. These findings might help to enhance the accuracy of breast density and parenchymal enhancement quantification in breast MRI screening.

研究の動機と目的

• 多様な臨床プロトコルにわたる乳腺MRIにおける線維嚢胞組織分類のための、強固で汎化性の高いディープラーニングモデルの開発。
• トランスフォーマー基盤アーキテクチャが、nnUNetのような既存の畳み込みニューラルネットワーク（CNN）を上回るか、多施設環境下でその性能を評価すること。
• 先行研究における外部検証の欠如を解消するため、デューク大学から得た独立したデータセットを用いての検証。
• 40例のDUKE MRI画像の手作業によるセグメンテーションを公開することで、将来的なアルゴリズム評価のための公開基準を提供すること。
• 臨床的MRIスクリーニングにおける自動化された乳腺密度および背景実質性増強の定量的評価の信頼性を向上させること。

提案手法

• 3次元乳腺MRIにおける線維嚢胞組織分類のためのビジョントランスフォーマー基盤ニューラルネットワークアーキテクチャ、TraBSを提案した。
• ドイツのアーヘン大学病院（UKA）の200例の内部MRIスキャンおよびデューク大学（DUKE）の40例の外部スキャンで、TraBSを訓練および評価した。
• 熟練した放射線科医による人為的アノテーションによる手作業セグメンテーションを正例として使用し、追加の専門家による品質管理を実施した。
• Diceスコアおよび平均対称表面距離を指標として用い、最先端のCNNモデルであるnnUNetとの性能を比較した。
• マルチスキャナーやマルチプロトコルデータセット間での一貫性を確保するため、標準的なデータ前処理および正規化を実施した。
• 異なる乳腺密度レベルにおけるDiceスコアのばらつきを評価するため、アブレーション実験および分析を実施した。

実験結果

リサーチクエスチョン

• RQ1 ビジョントランスフォーマー基盤モデル（TraBS）は、内部および外部の両方のMRIデータセットにおいて、最先端のCNN（nnUNet）を上回る線維嚢胞組織分類性能を示すか？
• RQ2 線維嚢胞組織分類モデルの性能は、異なる乳腺密度レベルでどのように変化するか？また、これは報告されたDiceスコアに影響を及えるか？
• RQ3 トランスフォーマー基盤モデルは、CNNベースのモデルと比較して、外部の多施設データに優れた汎化性能を示すか？
• RQ4 データセットの多様性（例：スキャナの磁束密度、プロトコル）は、分類性能にどのような影響を及えるか？また、TraBSはその影響をどのように軽減するか？
• RQ5 トレーニング段階で外部データを組み込むことで、線維嚢胞組織分類におけるドメインシフトに対するモデルのロバスト性はどの程度向上するか？

主な発見

• 内部テストセットにおいて、TraBSはnnUNetよりも高いDiceスコアを達成した（0.916 ± 0.067 対 0.909 ± 0.069、p < 0.001）。
• 外部テストセットにおいても、TraBSはnnUNetを上回った。Diceスコアは0.864 ± 0.081（TraBS）と0.824 ± 0.144（nnUNet）であり、p = 0.004であった。
• 内部セットでは、TraBSが平均対称表面距離を低く抑えた（0.548 ± 2.195 mm 対 0.657 ± 2.856 mm、p = 0.001）。
• 外部テストセットでも同様の改善が観察され、TraBSは0.584 ± 0.413 mm、nnUNetは0.727 ± 0.620 mm（p = 0.03）を記録した。
• 線維嚢胞組織の密度が低い場合、Diceスコアが低下することが関連しており、これは研究間での性能のばらつきを説明する要因となった。
• 本研究では、将来的なアルゴリズム評価を支援するため、40例のDUKE MRI画像の手作業セグメンテーションを公開した。