[論文レビュー] IntrA: 3D Intracranial Aneurysm Dataset for Deep Learning

Xi Yang, Ding Xia+2 more|arXiv (Cornell University)|Mar 2, 2020

3D Shape Modeling and Analysis参考文献 48被引用数 6

ひとこと要約

本論文は、多様なメッシュアノテーションが施された3D頭蓋内動脈瘤データセットであるIntrAを紹介する。このデータセットは、動脈瘤断片、健常血管、および完全な脳動脈被膜モデルを含み、3D分類および部品セグメンテーションのための高度なディープラーニングを可能にする。本研究では、点ベース、メッシュベース、ボクセルベースの最先端ネットワークをベンチマーク化し、複雑で不規則な動脈瘤幾何形状において、点モデルおよびメッシュモデルが優れた性能を示すことを実証した。

ABSTRACT

Medicine is an important application area for deep learning models. Research in this field is a combination of medical expertise and data science knowledge. In this paper, instead of 2D medical images, we introduce an open-access 3D intracranial aneurysm dataset, IntrA, that makes the application of points-based and mesh-based classification and segmentation models available. Our dataset can be used to diagnose intracranial aneurysms and to extract the neck for a clipping operation in medicine and other areas of deep learning, such as normal estimation and surface reconstruction. We provide a large-scale benchmark of classification and part segmentation by testing state-of-the-art networks. We also discuss the performance of each method and demonstrate the challenges of our dataset. The published dataset can be accessed here: https://github.com/intra3d2019/IntrA.

研究の動機と目的

• ディープラーニング研究における頭蓋内動脈瘤用の大規模でオープンアクセスの3D医療データセットの不足に対処すること。
• 臨床的に関連性のある3D動脈瘤メッシュ（患者由来）と専門家によるアノテーションを用いて、3D幾何的ディープラーニングモデルのベンチマークを提供すること。
• 完全な血管モデルから3D動脈瘤断片を生成およびアノテートするためのツールとデータ処理パイプラインの開発。
• 点、メッシュ、ボクセルベースの最先端3Dディープラーニングモデル（Point, Mesh, Voxel）を、臨床的意義のある3D動脈瘤セグメンテーションおよび分類タスクにおいて評価・比較すること。
• 不規則で複雑な形状の3D動脈瘤におけるセグメンテーションの課題を特定し、今後のモデル開発を支援すること。

提案手法

• 本データセットは、116個の専門家アノテーション付き3D動脈瘤断片、1,909個の自動生成血管断片（動脈瘤を有する・無し）、および103個の完全な脳動脈被膜モデルから構成される。
• すべての動脈瘤および血管断片は、幾何的忠実性を保持し、表面ベースの学習を可能にするために、メッシュとして表現されている。
• 独自のデータ処理パイプラインにより、セグメンテーションおよび抽出技術を用いて、完全な血管モデルから3D動脈瘤断片を生成している。
• 3Dメッシュ表面における動脈瘤および健常血管部の正確なラベル付けを可能にするため、インタラクティブなアノテーションツールを開発した。
• 5分割交差検証を用いて、分類および部品セグメンテーションタスクにおいて10種類の最先端3Dディープラーニングモデルを評価した。
• 性能は、Dice類似係数（DSC）およびオーバーラップ率（IoU）を用いて測定され、95%信頼区間が報告された。

実験結果

リサーチクエスチョン

• RQ1 点、メッシュ、ボクセルベースの異なる3Dディープラーニングアーキテクチャは、複雑で不規則な頭蓋内動脈瘤の分類およびセグメンテーションにおいて、どのように性能を発揮するか？
• RQ2 非常に多様な形状、サイズ、分岐パターンを示す3D動脈瘤のセグメンテーションにおける主な課題は何か？
• RQ3 メッシュベースおよび点ベースのモデルは、患者由来の3D血管メッシュにおいて、ボクセルベースのモデルよりも一般化性能が優れていると予想されるか？
• RQ4 入力解像度または点数の変更が、異なるネットワークタイプにおけるセグメンテーションの正確性および頑健性にどのように影響するか？
• RQ5 接続性や測地的距離といった幾何的情報は、複雑な3D動脈瘤表面におけるセグメンテーション性能の向上に果たす役割は何か？

主な発見

• 点ベースモデル（例：PointNet, PointCNN）は、分類精度が最も高く、PointCNNは2,048点の入力で93.59%の精度に達した。
• メッシュベースモデル（例：MeshCNN）は部品セグメンテーションにおいて優れた性能を示し、動脈瘤部のDSCは81.22–89.64%、健常血管部のDSCは46.53–64.73%であった。
• ボクセルベースモデル（例：SSCN-F, SSCN-U）は低いセグメンテーション性能を示し、動脈瘤部のDSCは83.48–87.00%、健常血管部のDSCは40.64–48.54%であった。
• ボクセル・グリッドハイブリッドモデルのPointGridは、最も弱い性能を示し、動脈瘤部のDSCは76%未満、健常血管部のDSCは40%未満であった。
• 最高性能を発揮したモデル、2,048点入力のPointCNNは、動脈瘤部でDSC 95.43%（95%信頼区間：71.39–91.33%）、健常血管部でDSC 81.36%（95%信頼区間：71.88–91.59%）を達成した。
• 結果から、点およびメッシュベースのモデルが、特に細粒度セグメンテーションにおいて、複雑で非一様な3D動脈瘤幾何形状に対してボクセルベースのモデルよりも一般化性能が優れていることが示された。