[論文レビュー] Large-Scale Multi-Center CT and MRI Segmentation of Pancreas with Deep Learning

Zheyuan Zhang, Elif Keleş+36 more|arXiv (Cornell University)|May 20, 2024

Hydraulic Fracturing and Reservoir Analysis被引用数 4

ひとこと要約

本論文では、CTおよびMRIにおける多施設・多モalityの膵臓セグメンテーションに耐性があり、nnUNetと線形アテンションを備えたトランスフォーマーを統合した深層学習モデル、PanSegNetを提案する。CTでは88.3%、T1W MRIでは85.0%、T2W MRIでは86.3%の最先端のDiceスコアを達成し、ボリューム予測の高精度と優れた多施設への一般化性能を示した。

ABSTRACT

Automated volumetric segmentation of the pancreas on cross-sectional imaging is needed for diagnosis and follow-up of pancreatic diseases. While CT-based pancreatic segmentation is more established, MRI-based segmentation methods are understudied, largely due to a lack of publicly available datasets, benchmarking research efforts, and domain-specific deep learning methods. In this retrospective study, we collected a large dataset (767 scans from 499 participants) of T1-weighted (T1W) and T2-weighted (T2W) abdominal MRI series from five centers between March 2004 and November 2022. We also collected CT scans of 1,350 patients from publicly available sources for benchmarking purposes. We developed a new pancreas segmentation method, called PanSegNet, combining the strengths of nnUNet and a Transformer network with a new linear attention module enabling volumetric computation. We tested PanSegNet's accuracy in cross-modality (a total of 2,117 scans) and cross-center settings with Dice and Hausdorff distance (HD95) evaluation metrics. We used Cohen's kappa statistics for intra and inter-rater agreement evaluation and paired t-tests for volume and Dice comparisons, respectively. For segmentation accuracy, we achieved Dice coefficients of 88.3% (std: 7.2%, at case level) with CT, 85.0% (std: 7.9%) with T1W MRI, and 86.3% (std: 6.4%) with T2W MRI. There was a high correlation for pancreas volume prediction with R^2 of 0.91, 0.84, and 0.85 for CT, T1W, and T2W, respectively. We found moderate inter-observer (0.624 and 0.638 for T1W and T2W MRI, respectively) and high intra-observer agreement scores. All MRI data is made available at https://osf.io/kysnj/. Our source code is available at https://github.com/NUBagciLab/PaNSegNet.

研究の動機と目的

• 深層学習のための公開可能で高品質な膵臓MRIデータセットの著しい不足に対処すること。
• 複数の医療機関の多様なCTおよびMRIスキャンから、正確な膵臓セグメンテーションが可能な汎用的な深層学習モデルの開発。
• 膵臓のボリュメトリックセグメンテーションを強力かつ自動化することで、膵臓疾患の診断、経過観察、手術計画を支援すること。
• 画像プロトコルやスキャナーメーカーのドメインシフトに対しても、セグメンテーションモデルのマルチモalityおよびマルチセンター一般化性能を向上させること。
• 大規模な多施設MRIデータセットとPanSegNetのソースコードを公開することで、オープンサイエンスを推進し、医療画像解析分野の研究を加速すること。

提案手法

• nnUNetによる3D U-Netベースのセグメンテーションと、長距離のコンテキストモデリングに適した新規線形アテンション機構を備えたトランスフォーマーの長所を統合したハイブリッド深層学習アーキテクチャ、PanSegNetを提案。
• 3D医療画像における性能を維持しつつ、メモリと計算コストを低減するため、効率的なボリュメトリック計算を可能にする線形アテンションモジュールを設計。
• 5つの機関から得た767例のMRIスキャン（T1Wが385例、T2Wが382例）と、公的ソースから得た1,350例のCTスキャンを用いて、大規模な多施設データセットでモデルを訓練および検証。
• 施設間およびスキャナータイプの差異に起因する強度やシーケンスのばらつきを低減するため、広範なデータ前処理と均一化処理を実施。
• Dice係数、HD95、イントラ・インタレーター間一致度（Cohen’s kappa）、ボリュームおよびDiceスコアの比較に用いるペアドt検定を用いて性能を評価。
• 一般化性能を検証するため、AMOS、WORD、BTCVなどの外部データセットでも、マルチモダリティおよびマルチセンター評価を実施。

実験結果

リサーチクエスチョン

• RQ1 異なるプロトコルやスキャナーメーカーを有する複数の医療機関の多様なCTおよびMRIスキャンから、高精度な膵臓セグメンテーションを達成できる深層学習モデルは構築可能か？
• RQ2 既存手法と比較して、提案されたPanSegNetモデルはマルチモダリティ（CT対MRI）およびマルチセンター一般化設定でどのように性能を発揮するか？
• RQ3 MRIおよびCT画像データにおけるドメインシフトの影響で、モデルの性能がどの程度低下するか。また、そのようなシフトに対しても高い精度を維持できるか？
• RQ4 予測されたボリュームと真値の間の相関関係は何か。臨床応用において、自動ボリュメトリの信頼性はどの程度か？
• RQ5 3D U-Netフレームワークに線形アテンション機構を統合することで、大規模ボリュメトリック医療画像におけるセグメンテーション精度と効率性が向上するか？

主な発見

• PanSegNetはCTスキャンで88.3%（±7.2%）、T1強調MRIで85.0%（±7.9%）、T2強調MRIで86.3%（±6.4%）のDice係数を達成し、最先端の性能を示した。
• ボリューム予測精度は高く、CTでR² = 0.91、T1W MRIで0.84、T2W MRIで0.85を示し、真値と高い相関を示した。
• イントラレーター間一致度は高く、インタレーター間一致度は中程度（T1W MRIでkappa = 0.624、T2W MRIで0.638）であり、手動アノテーションの信頼性が裏付けられた。
• 外部検証ではドメインシフトが顕著に現れ、特にセンター#3、#4、#5で性能低下が確認された。これは、未知の施設への一般化性能に課題があることを示唆し、ドメイン一般化の必要性を強調した。
• 本研究では、膵臓セグメンテーション用に、最大規模の公開可能な多施設MRIデータセット（T1W 385例、T2W 382例）とPanSegNetのソースコードを公開した。
• 前向き臨床的妥当性の欠如や範囲の制限（膵臓セグメンテーションに限定）があるものの、糖尿病、慢性膵炎、がんの経過観察における臨床的応用の可能性が強く示された。