[論文レビュー] Fully-automated deep learning slice-based muscle estimation from CT images for sarcopenia assessment

Fahdi Kanavati, Shah Islam+3 more|arXiv (Cornell University)|Jun 10, 2020

Nutrition and Health in Aging参考文献 4被引用数 4

ひとこと要約

本研究では、背筋群（筋膜性脊柱筋）、腰筋、腹直筋を含む筋肉群を、腹部CTスキャンからサルコペニア評価のために、完全に自動化された深層学習フレームワークを用いてL3椎間板スライスを検出およびセグメンテーションする。この手法は高い正確性を示し、スライス検出誤差の中央値が0.50スライスであり、筋肉セグメンテーションのDiceスコアは0.94以上であり、人間の専門家と同等の性能を示している。

ABSTRACT

Objective: To demonstrate the effectiveness of using a deep learning-based approach for a fully automated slice-based measurement of muscle mass for assessing sarcopenia on CT scans of the abdomen without any case exclusion criteria. Materials and Methods: This retrospective study was conducted using a collection of public and privately available CT images (n = 1070). The method consisted of two stages: slice detection from a CT volume and single-slice CT segmentation. Both stages used Fully Convolutional Neural Networks (FCNN) and were based on a UNet-like architecture. Input data consisted of CT volumes with a variety of fields of view. The output consisted of a segmented muscle mass on a CT slice at the level of L3 vertebra. The muscle mass is segmented into erector spinae, psoas, and rectus abdominus muscle groups. The output was tested against manual ground-truth segmentation by an expert annotator. Results: 3-fold cross validation was used to evaluate the proposed method. The slice detection cross validation error was 1.41+-5.02 (in slices). The segmentation cross validation Dice overlaps were 0.97+-0.02, 0.95+-0.04, 0.94+-0.04 for erector spinae, psoas, and rectus abdominus, respectively, and 0.96+-0.02 for the combined muscle mass. Conclusion: A deep learning approach to detect CT slices and segment muscle mass to perform slice-based analysis of sarcopenia is an effective and promising approach. The use of FCNN to accurately and efficiently detect a slice in CT volumes with a variety of fields of view, occlusions, and slice thicknesses was demonstrated.

研究の動機と目的

• 腹部CTスキャンから、症例除外なしに、完全に自動化された深層学習ベースのスライスベースのサルコペニア評価手法を開発すること。
• 臨床的および研究的ワークフローにおいて、時間のかかる不一致のあるL3スライス同定および筋肉セグメンテーションの手作業プロセスを克服すること。
• 交差検証およびBland-Altman解析を用いて、専門放射線科医のアノテーションと比較して、本手法の性能を評価すること。
• 腫瘍学研究および将来的な臨床スクリーニングツールのためのスケーラブルで再現可能なサルコペニア測定を可能にすること。

提案手法

• 本手法は、U-Netに類似したアーキテクチャに基づく2つの独立したFCNN（完全畳み込みニューラルネットワーク）を用いる：1つはL3スライス検出、もう1つは筋肉セグメンテーションに使用。
• 入力データは、解剖学的ランドマークを強調するために、3次元CTボリュームを2次元の前後および冠状面最大強度投影（MIP）画像に事前処理したものである。
• スライス検出は、L3椎間板の局所化を目的とした信頼度マップを用いて訓練され、仙骨および脊椎の整列を明確にするために、制限された冠状面MIPが使用されている。
• 筋肉セグメンテーションは、検出されたL3スライス上で実施され、モデルは筋膜性脊柱筋、腰筋、腹直筋、および合算筋肉質量を区別するように訓練されている。
• 両モデルは、複数のソースからの1070件のCTボリュームを含む多様なデータセットを用いて3分割交差検証で訓練および評価されている。
• 本フレームワークは、他の解剖学的レベルへの一般化が可能であり、マルチスライスサルコペニア評価への適応も可能である。

実験結果

リサーチクエスチョン

• RQ1 完全畳み込みニューラルネットワークは、人間の放射線科医と同等の性能で、腹部CTボリューム内のL3椎間板スライスを検出できるか？
• RQ2 深層学習モデルは、L3スライス上での個々の筋肉群（筋膜性脊柱筋、腰筋、腹直筋）および合算筋肉質量をどの程度正確にセグメンテーションできるか？
• RQ3 本モデルから得られる自動サルコペニア測定値は、専門放射線科医による手作業アノテーションと統計的に有意に一致するか？
• RQ4 本手法は、移行椎や広範な軟部浮腫を示す症例のような困難なケースにおいても、どの程度の性能を示すか？
• RQ5 本手法は、視野、スライス厚、解剖学的変異が異なる多様なCTスキャンに、除外基準なしに適用可能か？

主な発見

• スライス検出モデルは、中央値誤差0.50スライス（3分割交差検証時：1.41±5.02）を達成し、人間の放射線科医間の誤差（中央値0.80）と同等であった。
• 筋肉セグメンテーションは高いDiceオーバーラップスコアを達成した：筋膜性脊柱筋0.97±0.02、腰筋0.95±0.04、腹直筋0.94±0.04、合算筋肉質量0.96±0.02。
• Bland-Altman解析により、モデルの筋肉面積測定値と第二の専門放射線科医の測定値との間に有意差は認められず（p=0.9503）、一致が確認された。
• 本手法は、軟部浮腫や脊椎弯曲を伴う困難な症例に対しても頑健であるが、極端な症例ではセグメンテーション失敗が一部観察された。
• 外れ値症例の主な原因は、移行椎または脊椎の可視化不良であり、信頼度マップでは複数の潜在的L3候補が示されることが多かった。
• 本モデルの性能は、金属インプラントを有するスキャンを含む多様なCTスキャンで一貫しており、他の解剖学的レベルへの一般化が可能であることが示された。