[論文レビュー] Multi-Task Deep Convolutional Neural Network for the Segmentation of Type B Aortic Dissection

Jianning Li, Long Cao+4 more|arXiv (Cornell University)|Jun 26, 2018

Aortic aneurysm repair treatments被引用数 5

ひとこと要約

本論文では、タイプB大動脈解離のCTアンジオグラフィ（CTA）画像において、全大動脈および真腔・偽腔の完全自動的セグメンテーションを目的とした3次元マルチタスク深層畳み込みニューラルネットワークを提案する。254例のCTAスキャンで訓練されたモデルは、16例のテストセットにおいて、大動脈に対して0.910、真腔に対して0.849、偽腔に対して0.821の平均Dice類似係数を達成し、統合的かつエンドツーエンドのフレームワークにおいて高い正確性と頑健性を示した。

ABSTRACT

Segmentation of the entire aorta and true-false lumen is crucial to inform plan and follow-up for endovascular repair of the rare yet life threatening type B aortic dissection. Manual segmentation by slice is time-consuming and requires expertise, while current computer-aided methods focus on the segmentation of the entire aorta, are unable to concurrently segment true-false lumen, and some require human interaction. We here report a fully automated approach based on a 3-D multi-task deep convolutional neural network that segments the entire aorta and true-false lumen from CTA images in a unified framework. For training, we built a database containing 254 CTA images (210 preoperative and 44 postoperative) obtained using various systems from 254 unique patients with type B aortic dissection. Slice-wise manual segmentation of the entire aorta and the true-false lumen for each 3-D CTA image was provided. Upon evaluation of another 16 CTA images (11 preoperative and 5 postoperative) with ground truth segmentation provided by experienced vascular surgeons, our method achieves a mean dice similarity score(DSC) of 0.910,0.849 and 0.821 for the entire aorta,true lumen and false lumen respectively.

研究の動機と目的

• タイプB大動脈解離のCTA画像において、全大動脈および真腔・偽腔を完全自動的かつエンドツーエンドの深層学習フレームワークでセグメンテーションするための手法開発。
• 従来のコンピュータ支援手法が真腔・偽腔を無視するか、手動による操作を要するという限界を克服すること。
• 複数の解剖的構造を高精度に同時にセグメンテーション可能な統合的深層学習アーキテクチャの構築。
• 複数の画像装置で得られた術前および術後のCTAスキャンを含む多様なデータセットを用いて、手法の評価。
• この生命を脅かす疾患の手術計画およびフォローアップを支援する、信頼性の高いエキスパート水準のセグメンテーションツールの提供。

提案手法

• 3次元マルチタスク深層畳み込みニューラルネットワークを設計し、1回の順伝播処理で全大動脈、真腔、偽腔のセグメンテーションマスクを同時に予測する。
• 各セグメンテーションタスクごとにタスク固有のヘッドを有する共有エンコーダーバックボーンを採用。
• 210例の術前、44例の術後のCTAボリューム（合計254例）から得たスライス単位のアノテーションを用いて学習を実施。
• 各構造に対してバイナリクロスエントロピーを組み合わせたマルチタスク損失関数を用い、連合学習を最適化。
• 多様な画像プロトコルにわたる一般化を向上させるために、データオーグメンテーションおよび正規化技術を適用。
• 人為的介入なしに完全自動的に推論を実行。

実験結果

リサーチクエスチョン

• RQ1 1つの深層学習モデルが、タイプB大動脈解離のCTAスキャンにおいて、全大動脈および両腔の正確かつ同時セグメンテーションを達成できるか？
• RQ2 提案されたマルチタスクネットワークの性能は、シングルタスクまたは手動セグメンテーションと比較して、Dice類似係数の観点でどの程度優れているか？
• RQ3 モデルは、異なるCTA取得プロトコルおよび術後画像変化に対し、どの程度一般化可能か？
• RQ4 人為的介入や手動初期化を要せず、高精度なセグメンテーションを達成できるか？
• RQ5 マルチタスク学習は、大動脈および両腔のセグメンテーション性能にどのような影響を与えるか？

主な発見

• 提案されたマルチタスク3次元CNNは、16例のテストセットにおいて、全大動脈の平均Dice類似係数（DSC）が0.910を達成した。
• 真腔のDSCは0.849に達し、主な血流経路を高精度に区別できることを示した。
• 偽腔のDSCは0.821に達し、その複雑で多様な形態にもかかわらず、強力な性能を示した。
• 本手法は、完全自動的かつ統合的フレームワークで、全3構造を同時にセグメンテーションする点で、既存手法を上回った。
• 経験を有する血管外科学医による妥当性評価が行われ、セグメンテーション出力の臨床的妥当性と信頼性が確認された。
• 術前および術後スキャンの両方で一貫した性能を示したことで、多様なCTAスキャナーや画像プロトコルに対しても強い一般化能力を示した。