[論文レビュー] Multiclass Spinal Cord Tumor Segmentation on MRI with Deep Learning

Andréanne Lemay, Charley Gros+5 more|arXiv (Cornell University)|Dec 23, 2020

Medical Imaging and Analysis参考文献 26被引用数 4

ひとこと要約

本論文は、段階的U-Netアーキテクチャを用いて、MRIにおける脊髄腫瘍、浮腫、および腔のマルチクラスセグメンテーションのための、初の完全自動のディープラーニングフレームワークを提示する。この手法は、まず脊髄を局所化して関心領域をクロップすることで、クラス不均衡を軽減し、セグメンテーション精度を向上させる。全3クラスのDiceスコアは76.7 ± 1.5%を達成し、腫瘍単独のスコアは61.8 ± 4.0%であった。

ABSTRACT

Spinal cord tumors lead to neurological morbidity and mortality. Being able to obtain morphometric quantification (size, location, growth rate) of the tumor, edema, and cavity can result in improved monitoring and treatment planning. Such quantification requires the segmentation of these structures into three separate classes. However, manual segmentation of 3-dimensional structures is time-consuming and tedious, motivating the development of automated methods. Here, we tailor a model adapted to the spinal cord tumor segmentation task. Data were obtained from 343 patients using gadolinium-enhanced T1-weighted and T2-weighted MRI scans with cervical, thoracic, and/or lumbar coverage. The dataset includes the three most common intramedullary spinal cord tumor types: astrocytomas, ependymomas, and hemangioblastomas. The proposed approach is a cascaded architecture with U-Net-based models that segments tumors in a two-stage process: locate and label. The model first finds the spinal cord and generates bounding box coordinates. The images are cropped according to this output, leading to a reduced field of view, which mitigates class imbalance. The tumor is then segmented. The segmentation of the tumor, cavity, and edema (as a single class) reached 76.7 $\pm$ 1.5% of Dice score and the segmentation of tumors alone reached 61.8 $\pm$ 4.0% Dice score. The true positive detection rate was above 87% for tumor, edema, and cavity. To the best of our knowledge, this is the first fully automatic deep learning model for spinal cord tumor segmentation. The multiclass segmentation pipeline is available in the Spinal Cord Toolbox (https://spinalcordtoolbox.com/). It can be run with custom data on a regular computer within seconds.

研究の動機と目的

• 3次元MRIスキャンにおける脊髄腫瘍、浮腫、および腔の手作業セグメンテーションが時間的にかかる・主観的であるという課題に対処すること。
• 星細胞性アストロサイトーマ、接着細胞腫瘍、およびヘマングイオブラストーマの3つの最も一般的な脊髄内腫瘍タイプのマルチクラスセグメンテーションのための、自動的で、頑健かつ効率的なディープラーニングソリューションを開発すること。
• 初期の脊髄局所化により、限定された視野に焦点を当てることで、脊髄腫瘍セグメンテーションにおけるクラス不均衡を軽減すること。
• 治療計画および経過観察の向上のため、腫瘍の大きさ、位置、増殖速度の正確な形態計測的評価を可能にすること。
• 臨床的および研究的利用に適した、ユーザーフレンドリーで計算負荷が軽いパイプラインを、標準的なハードウェアと互換性を持たせて公開すること。

提案手法

• 段階的ディープラーニングアーキテクチャを採用し、2段階の処理を実施する：脊髄局所化の後、マルチクラス腫瘍セグメンテーションを行う。
• 最初の段階では、U-Netベースのモデルを用いて脊髄を検出し、関心領域のバウンディングボックス座標を生成する。
• 検出された脊髄に基づいてMRIボリュームをクロップすることで、視野を縮小し、計算負荷を低減するとともに、クラス不均衡を軽減する。
• 2番目の段階では、T1およびT2強化MRIスキャンを用いて、腫瘍、浮腫（1クラスに統合）、および腔の3クラスをセグメンテーションするU-Netベースのモデルを適用する。
• 343例の患者データセット（頸椎、胸椎、および/または腰椎の脊髄被覆を含む）上で、エンドツーエンドに学習されたモデルである。
• パイプラインはSpinal Cord Toolboxに実装されており、標準的なコンピュータ上で新規データを数秒で処理可能である。

実験結果

リサーチクエスチョン

• RQ1 段階的ディープラーニングアプローチは、従来の手法と比較して、MRIにおける脊髄腫瘍、浮腫、および腔のマルチクラスセグメンテーション精度を向上させることができるか？
• RQ2 脊髄局所化と関心領域クロッピングは、どの程度クラス不均衡を軽減し、セグメンテーション性能を向上させるか？
• RQ3 完全自動モデルは、多様な患者スキャンにおいて、全3構造（腫瘍、浮腫、腔）に対して高い感度とDiceスコアを達成できるか？
• RQ4 提案手法は計算的に効率的であり、高価なGPUを必要とせず、標準的なハードウェアでもデプロイ可能か？
• RQ5 モデルは、3つの最も一般的な脊髄内腫瘍タイプ（星細胞性アストロサイトーマ、接着細胞腫瘍、ヘマングイオブラストーマ）において、腫瘍、浮腫、および腔の検出にどの程度効果を発揮するか？

主な発見

• 腫瘍、浮腫、および腔のマルチクラスセグメンテーションは、Diceスコア76.7 ± 1.5%を達成し、手作業セグメンテーションと強い一致を示した。
• 腫瘍単独のセグメンテーションでは、クラス不均衡の影響にもかかわらず、Diceスコア61.8 ± 4.0%を達成し、堅牢な性能を示した。
• 全3構造（腫瘍、浮腫、腔）の真正陽性検出率は87%を超えており、高い感度が確認された。
• モデルの段階的設計により、視野の縮小とクラス不均衡の低減が図られ、セグメンテーション性能が著しく向上した。
• 全パイプラインは計算的に効率的であり、標準コンピュータ上で新規MRIデータを数秒で処理可能であった。
• 著者らの知る限り、本研究は、MRIにおけるマルチクラス脊髄腫瘍セグメンテーションのための、初の完全自動ディープラーニングモデルである。