[論文レビュー] Lung nodule segmentation via level set machine learning.

Matthew C. Hancock, Jerry F. Magnan|arXiv (Cornell University)|Oct 8, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 30被引用数 9

ひとこと要約

本論文では、CTスキャンにおける肺結節のセグメンテーションのための機械学習強化型レベルセット法を提案する。データ駆動型の速度関数を回帰によって学習し、輪郭の進化を誘導する。LIDCデータセット上で平均交差率（IoU）は0.7185（±0.1114）を達成し、明確な縁を持つ結節において特に優れた性能を示し、複雑な症例ではグローバル・ローカル特徴の統合により結果が向上する。

ABSTRACT

Purpose: Lung nodule segmentation, i.e., the algorithmic delineation of the lung nodule surface, is a fundamental component of computational nodule analysis pipelines. We propose a new method for segmentation that is a machine learning based extension of current approaches, using labeled image examples to improve its accuracy. Approach: We introduce an extension of the standard level set image segmentation method where the velocity function is learned from data via machine learning regression methods, rather than a priori designed. Instead, the method employs a set of features to learn a velocity function that guides the level set evolution from initialization. Results: We apply the method to image volumes of lung nodules from CT scans in the publicly available LIDC dataset, obtaining an average intersection over union score of 0.7185($\pm$0.1114), which is competitive with other methods. We analyze segmentation performance by anatomical and appearance-based categories of the nodules, finding that the method performs better for isolated nodules with well-defined margins. We find that the segmentation performance for nodules in more complex surroundings and having more complex CT appearance is improved with the addition of combined global-local features. Conclusions: The level set machine learning segmentation approach proposed herein is competitive with current methods. It provides accurate lung nodule segmentation results in a variety of anatomical contexts.

研究の動機と目的

• 機械学習をレベルセットフレームワークに統合することで、CTスキャンにおける肺結節セグメンテーションの正確性を向上させること。
• 手作業で設計された速度関数の代わりに、ラベル付き画像例に基づいて学習するデータ駆動型回帰モデルをレベルセット法に導入すること。
• 特に複雑で孤立した結節に注目し、解剖学的および外観的特徴に基づく結節カテゴリにわたる性能を評価すること。
• グローバルおよびローカル画像特徴を統合することによる、困難な症例におけるセグメンテーション精度への影響を評価すること。
• 多様な解剖的文脈や結節の外観にわたって一般化性の高いセグメンテーション手法を開発すること。

提案手法

• 訓練データから機械学習回帰技術を用いて速度関数を学習することで、レベルセット法を拡張する。
• 結節の特徴を表現し、学習プロセスを誘導するため、ローカルおよびグローバルの両方の画像特徴のセットを抽出する。
• LIDCデータセットのラベル付き例を用いて、速度関数を学習させ、レベルセットの輪郭を真の結節境界へと進化させる。
• 輪郭を結節の周囲に初期化し、学習された速度関数に従って進化させることで最適なセグメンテーションを達成する。
• 一般化性を向上させるために、テクスチャおよび形状に基づく記述子を含む特徴工学を実施する。
• 回帰モデル（例：ランダムフォレストやSVM）を用い、画像特徴を輪郭進化を駆動する速度値にマッピングする。

実験結果

リサーチクエスチョン

• RQ1 レベルセットセグメンテーションにおけるデータ駆動型速度関数は、従来の手作業で設計された関数を上回る性能を示せるか？
• RQ2 本手法の性能は、解剖学的場所や縁の特徴が異なる結節においてどのように変化するか？
• RQ3 グローバルおよびローカルの画像特徴を統合することで、複雑な結節症例におけるセグメンテーション精度はどの程度向上するか？
• RQ4 本手法は、結節の外観の変化や周囲組織の複雑さの変動に対して頑健であるか？
• RQ5 多様な結節タイプにわたる交差率（IoU）としての本手法のセグメンテーション精度はいかほどか？

主な発見

• 本手法はLIDCデータセット上で平均交差率（IoU）0.7185（±0.1114）を達成し、既存手法と比較して競争力のある性能を示している。
• 縁が明確な孤立結節ではセグメンテーション性能が高く、より単純な解剖学的文脈での一般化性が優れていることが示された。
• 複雑な周囲環境やより複雑なCT画像外観を有する症例では、グローバルおよびローカル特徴を学習プロセスに統合することで性能が顕著に向上した。
• 機械学習を用いて速度関数を学習することで、固定された手作業で設計された関数よりも、結節境界をより適応的に捉える輪郭の進化が可能になった。
• 特にローカルおよびグローバル記述子を含む特徴工学が施された場合、多様な解剖学的および外観的特徴に基づく結節カテゴリにわたって本手法は頑健であることが示された。
• 結果から、データ駆動型速度関数が、特に臨床的困難な状況においてセグメンテーション精度を向上させることを確認した。