[論文レビュー] Generalized Dice Focal Loss trained 3D Residual UNet for Automated Lesion Segmentation in Whole-Body FDG PET/CT Images

Shadab Ahamed, Arman Rahmim|arXiv (Cornell University)|Sep 24, 2023

Medical Imaging Techniques and ApplicationsMedicine被引用数 3

ひとこと要約

本稿では、全身FDG-PET/CT画像における自動病変セグメンテーションのため、一般化Diceフォーカル損失で訓練された3DリーダンスUNetモデルを提案する。AutoPET 2023データセットを用いた5分割交差検証とアンサンブル推論により、予備テストセットにおけるDiceスコアは0.5417を達成し、FPVとFNVはそれぞれ0.82 mlおよび0.25 mlであった。本手法は、多様で低取り込み、解剖学的に複雑な病変に対しても、強固な性能を示した。

ABSTRACT

Automated segmentation of cancerous lesions in PET/CT images is a vital initial task for quantitative analysis. However, it is often challenging to train deep learning-based segmentation methods to high degree of accuracy due to the diversity of lesions in terms of their shapes, sizes, and radiotracer uptake levels. These lesions can be found in various parts of the body, often close to healthy organs that also show significant uptake. Consequently, developing a comprehensive PET/CT lesion segmentation model is a demanding endeavor for routine quantitative image analysis. In this work, we train a 3D Residual UNet using Generalized Dice Focal Loss function on the AutoPET challenge 2023 training dataset. We develop our models in a 5-fold cross-validation setting and ensemble the five models via average and weighted-average ensembling. On the preliminary test phase, the average ensemble achieved a Dice similarity coefficient (DSC), false-positive volume (FPV) and false negative volume (FNV) of 0.5417, 0.8261 ml, and 0.2538 ml, respectively, while the weighted-average ensemble achieved 0.5417, 0.8186 ml, and 0.2538 ml, respectively. Our algorithm can be accessed via this link: https://github.com/ahxmeds/autosegnet.

研究の動機と目的

• 全身FDG-PET/CTスキャンにおける正確な自動病変セグメンテーションの課題に取り組む。病変の多様性、低取り込み、臓器における生理的トレーサー取り込みが原因で、セグメンテーションが困難である。
• 小規模で非公開のデータセットで訓練された従来のしきい値処理やディープラーニングモデルの限界を克服するため、公開済みのAutoPET 2023チャレンジデータセットを活用する。
• 一般化Dice損失とフォーカル損失を組み合わせた新しい損失関数を用いることで、クラス不均衡やノイズの多い予測に対しても、セグメンテーションのロバスト性を向上させる。
• 5分割交差検証とモデルアンサンブル戦略（平均および重み付き平均）を用いることで、モデルの汎化性能と性能を向上させる。

提案手法

• MONAIライブラリを用いて、2つの入力チャネル（PETおよびCT）と2つの出力チャネル（背景および病変）を持つ3DリーダンスUNetを訓練した。
• CT強度のクリッピング、SUVへの変換、ボディクローニング、および2.0 mmの等方的ボクセルに等方的リサンプリングを含む包括的な前処理パイプラインを適用した。
• ランダムな空間クローリング、3次元トランスレーション、軸方向回転、スケーリング、エラスティック変形、ガンマ補正、ガウスノイズを含む、広範なデータオーグメンテーションを実施した。
• クラス重み付き一般化Dice損失とフォーカル損失を組み合わせた一般化Diceフォーカル損失（GDFL）を定式化し、容易な例を抑制し、まれなまたは低取り込み病変のセグメンテーションを向上させた。
• 300エポックにわたり、学習率スケジューリングにコサインアニーリングを用いたAdam最適化法でGDFLを最適化し、最高の検証DSCに基づいてモデル選択を行った。
• スライディングウィンドウ法を用いて192×192×192のパッチと50％のオーバーラップで推論を実施し、検証DSCを重みとして用いた平均および重み付き平均によるモデルアンサンブルを実施した。

実験結果

リサーチクエスチョン

• RQ1 一般化Diceフォーカル損失で訓練された3DリーダンスUNetは、全身PET/CTスキャンにおける多様ながん種や病変特徴にわたって、ロバストな病変セグメンテーションを達成できるか？
• RQ2 クラス不均衡や低取り込み病変が存在する状況において、一般化Dice損失とフォーカル損失の組み合わせは、標準的なDice損失と比較して、どのようにセグメンテーション性能を向上させるか？
• RQ3 5分割交差検証とモデルアンサンブルは、AutoPET 2023テストセットにおける汎化性能と性能をどの程度向上させるか？
• RQ4 データオーグメンテーション戦略は、臨床的PET/CTデータにおける解剖学的および強度の変動に対して、モデルのロバスト性を効果的に向上させることができるか？

主な発見

• 平均アンサンブルは、AutoPET 2023予備テストセットにおいて、Dice類似係数（DSC）0.5417、FPV 0.8261 ml、FNV 0.2538 mlを達成した。
• 重み付き平均アンサンブルは、同一のDSC（0.5417）を達成したが、FPVはわずかに改善（0.8186 ml）され、FNVは同一（0.2538 ml）であった。これは、より良好な誤検出制御を示している。
• 5分割交差検証において、DSCの平均値は各foldで0.61〜0.64の範囲にあり、中央値は0.71〜0.74の間で、fold間の一貫性が高く、良好な性能を示した。
• 低取り込みおよび小規模病変においても、モデルは強力な性能を示した。これは、FNVが0.2538 mlと低く、見逃された病変の効果的な検出を示している。
• 最高の性能を示したfold（fold 0）では、DSCが0.61 ± 0.26、中央値が0.71、FPVが4.16 ± 7.79 mlであった。これは、fold間で誤検出制御に若干のばらつきが生じていることを示している。
• 本モデルはGitHubを通じて公開され、医療画像分野における再現性とさらなるベンチマークの実施が可能となった。