[論文レビュー] Multimodal Volume-Aware Detection and Segmentation for Brain Metastases Radiosurgery

Szu-Yeu Hu, Wei‐Hung Weng+5 more|arXiv (Cornell University)|Aug 15, 2019

Brain Metastases and Treatment参考文献 11被引用数 5

ひとこと要約

本論文は、マルチモodalなMRIおよびCT画像を用いて、脳転移巣の自動検出およびセグメンテーションを目的としたディーブラーニングフレームワークを提案する。アンサンブル3D U-NetおよびDeepMedicネットワークを用い、小規模な病変に対する感受性を向上させるために、新規のボリュームに配慮したDice損失を導入している。この手法は、74.0%のDSCおよび80.3%のリコールを達成し、ベースラインモデルを著しく上回り、AI支援ラジオサーモラピープランニングの新たなベンチマークを確立した。

ABSTRACT

Stereotactic radiosurgery (SRS), which delivers high doses of irradiation in a single or few shots to small targets, has been a standard of care for brain metastases. While very effective, SRS currently requires manually intensive delineation of tumors. In this work, we present a deep learning approach for automated detection and segmentation of brain metastases using multimodal imaging and ensemble neural networks. In order to address small and multiple brain metastases, we further propose a volume-aware Dice loss which optimizes model performance using the information of lesion size. This work surpasses current benchmark levels and demonstrates a reliable AI-assisted system for SRS treatment planning for multiple brain metastases.

研究の動機と目的

• 立体的ラジオサーモラピー（SRS）治療計画における、時間のかかりかつばらつきのある脳転移巣の手動コンター化という臨床的課題に対処すること。
• 特に小規模および多数の転移巣に対して、自動セグメンテーションの性能を向上させること。これらは臨床現場でしばしば見逃されがちである。
• より正確で頑健な腫瘍の輪郭抽出を実現するため、マルチモダリティMRIおよびCT画像を活用したディーブラーニングフレームワークを開発すること。
• 病変のサイズに応じて重みを付けることで、モデルの性能を最適化するボリュームに配慮したDice損失を導入すること。これにより、小規模な転移巣に対する感受性が向上する。

提案手法

• 腫瘍検出のための解剖学的および組織的コントラストの忠実度を向上させるために、MRIおよびCTからのマルチモダリティ入力を使用する。
• 全脳のコンテキスト（U-Net）を捉える能力と、小領域に焦点を当てるパッチベースのアプローチ（DeepMedic）を併せ持つ、3D U-NetおよびDeepMedicネットワークのアンサンブルを採用する。
• 病変の体積に応じて損失の寄与度を再重み付けするボリュームに配慮したDice損失（ℓ_vol-dice）を導入し、腫瘍体積の逆平方根重み付けを用いた対角行列Wを用いる。
• 2つの再重み付け戦略を適用する：定数再重み付け（λc）およびバッチ再重み付け（λl）、ここでλlは各訓練バッチ内の最大腫瘍体積である。
• ℓ_vol-diceの最大値が1となるように正規化定数Cを用い、標準Dice損失のスケーリングと整合性を保つ。
• 中央値DSC、精度、リコールを用いてモデルを訓練および評価し、小規模（≤1500 mm³）および大規模（>1500 mm³）腫瘍の別々の指標を用いる。

実験結果

リサーチクエスチョン

• RQ1 マルチモダリティMRIおよびCTを用いたディーブラーニングモデルは、単一モodalな手法と比較して、脳転移巣セグメンテーションの正確性を向上させることができるか？
• RQ2 ディーブラーニングモデルは、SRSにおいて重要であるがしばしば見逃される小規模な脳転移巣の検出をどのように最適化できるか？
• RQ3 病変のサイズに応じて重みを付けるボリュームに配慮した損失関数は、特に小規模な転移巣において、より優れたセグメンテーション性能をもたらすか？
• RQ4 3D U-NetおよびDeepMedicネットワークを組み合わせたアンサンブル学習は、個々のモデルと比較して、全体のセグメンテーション性能を向上させることができるか？
• RQ5 提案手法は、SRS治療計画における腫瘍コンター化の観察者間ばらつきをどの程度低減できるか？

主な発見

• ボリュームに配慮したDice損失（ℓ_vol-dice）は、小規模な脳転移巣の検出を顕著に向上させ、ピクセル単位のリコールを標準Dice損失の0.466から0.633に向上させた。
• 小規模腫瘍の病変単位のリコールは、0.619から0.672に上昇し、小規模病変に対する感受性の向上が明確に示された。
• ℓ_vol-diceを用いたアンサンブルモデル（3D U-Net + DeepMedic）は、DSC 0.740を達成し、次に優れたモデル（0.719）を大きく上回り、新たなベンチマークを確立した。
• 大規模腫瘍（>1500 mm³）においては、ℓ_vol-diceの性能は標準Dice損失と同等（DSC：0.828 vs. 0.826）であり、大規模病変への悪影響がないことが示された。
• 本手法は高いリコール（0.803）を達成しており、SRS計画において、病変のサイズにかかわらず良好な検出能力を示しており、これは極めて重要である。
• 多様な症例において一貫した性能を示しており、アノテーションのばらつきや主観的な臨床的判断に対しても、本フレームワークは頑健であることが裏付けられた。