[論文レビュー] Iterative fully convolutional neural networks for automatic vertebra segmentation.

Nikolas Leßmann, Bram van Ginneken+2 more|arXiv (Cornell University)|Apr 11, 2018

Medical Imaging and Analysis参考文献 49被引用数 11

ひとこと要約

本稿では、一部の椎骨しか可視化されていない不完全なCTスキャンにおいて、椎骨を自動的にセグメンテーションする反復的で完全畳み込みニューラルネットワーク（FCN）とインスタンスメモリを提案する。反復的に各椎骨が完全か部分的かを検出・分類することで、脊椎セグメンテーションチャレンジで95.8%の平均Diceスコア、低線量胸部CTスキャンで92.1%のスコアを達成した。

ABSTRACT

Precise segmentation of the vertebrae is often required for automatic detection of vertebral abnormalities. This especially enables incidental detection of abnormalities such as compression fractures in images that were acquired for other diagnostic purposes. While many CT and MR scans of the chest and abdomen cover a section of the spine, they often do not cover the entire spine. Additionally, the first and last visible vertebrae are likely only partially included in such scans. In this paper, we therefore approach vertebra segmentation as an instance segmentation problem. A fully convolutional neural network is combined with an instance memory that retains information about already segmented vertebrae. This network iteratively analyzes image patches, using the instance memory to search for and segment the first not yet segmented vertebra. At the same time, each vertebra is classified as completely or partially visible, so that partially visible vertebrae can be excluded from further analyses. We evaluated this method on spine CT scans from a vertebra segmentation challenge and on low-dose chest CT scans. The method achieved an average Dice score of 95.8% and 92.1%, respectively, and a mean absolute surface distance of 0.194 mm and 0.344 mm.

研究の動機と目的

• 脊椎全体をカバーしないCTスキャンにおける椎骨セグメンテーションの課題に対処すること。
• 偶然発見される圧迫骨折などの椎骨異常の自動検出を可能にすること。
• スキャンに部分的にしか表示されない椎骨（部分的椎骨）を分類し、その後続処理から除外することで、完全に可視化された構造におけるセグメンテーション精度を向上させること。
• メモリ拡張型完全畳み込みネットワークを用いて、反復的に椎骨をセグメンテーションする手法を開発すること。

提案手法

• 本手法は、完全畳み込みニューラルネットワーク（FCN）を用いて、椎骨セグメンテーションをインスタンスセグメンテーション問題として定式化する。
• 以前にセグメンテーションされた椎骨の特徴を格納するインスタンスメモリを導入し、次に未セグメンテーションの椎骨を反復的に検出する。
• ネットワークは画像パッチを反復的に処理し、インスタンスメモリを用いて未セグメンテーションの最初の椎骨を特定・セグメンテーションする。
• 各セグメンテーション済み椎骨は、スキャン内での空間的広がりに基づき、完全に可視化されたものか部分的に可視化されたものか分類される。
• 部分的に可視化された椎骨は、完全に可視化された構造におけるセグメンテーション精度を向上させるために、その後続分析から除外される。
• ネットワークは、公的セグメンテーションチャレンジの脊椎CTスキャンおよび低線量胸部CTスキャンのデータセット上で訓練および評価された。

実験結果

リサーチクエスチョン

• RQ1 インスタンスメモリを備えた反復的FCNは、脊椎全体をカバーしないCTスキャンにおける椎骨セグメンテーションに効果的に機能するか？
• RQ2 部分的にしか可視化されない椎骨が存在するスキャンにおいて、本手法の性能はいかがなものか？
• RQ3 椎骨を完全か部分的かに分類することで、セグメンテーション精度が向上するか？
• RQ4 標準線量の脊椎スキャンと比較して、低線量胸部CTスキャンにおける本手法の性能はどの程度か？

主な発見

• 本手法は、椎骨セグメンテーションチャレンジの脊椎CTスキャンデータセットで95.8%の平均Diceスコアを達成した。
• 低線量胸部CTスキャンでは、92.1%のDiceスコアを達成し、臨床的に重要な低線量画像でも優れた性能を示した。
• 脊椎CTデータセットでは、平均絶対表面距離が0.194 mmであった。これは、幾何学的精度が非常に高いことを示している。
• 低線量胸部CTスキャンでは、平均絶対表面距離が0.344 mmであった。これは、画像ノイズや解像度の低さに起因するわずかな誤差の増加を反映している。
• インスタンスメモリの統合により、不完全なスキャンにおいても、椎骨のロバストな反復的検出が可能になった。
• 椎骨を完全か部分的かに分類することで、後続分析における不完全構造からの干渉が効果的に低減された。