[論文レビュー] Organ at Risk Segmentation for Head and Neck Cancer using Stratified Learning and Neural Architecture Search

Dazhou Guo, Dakai Jin+8 more|arXiv (Cornell University)|Apr 17, 2020

Head and Neck Cancer Studies参考文献 49被引用数 14

ひとこと要約

本稿では、頭頸部臓器在リスク（OAR）のセグメンテーションのための新しい階層的学習フレームワークSOARSを提案する。このフレームワークは、臨床的描画実務に基づきOARをアンカーチェーン、ミドルレベル、および小形・難易度の高い（S&H）カテゴリに分類し、それぞれに特化した処理ワークフローと微分可能ニューラルアーキテクチャ探索（NAS）を用いて、各カテゴリに最適化されたネットワークアーキテクチャを自動的に最適化する。42個のOARを含むデータセットにおいて、SOTA手法よりも4.70%の絶対的スコア向上（Diceスコア75.14%）を達成し、複雑でコントラストが低く、サイズが変動するOARの分類精度と耐障害性の向上を実証した。

ABSTRACT

OAR segmentation is a critical step in radiotherapy of head and neck (H&N) cancer, where inconsistencies across radiation oncologists and prohibitive labor costs motivate automated approaches. However, leading methods using standard fully convolutional network workflows that are challenged when the number of OARs becomes large, e.g. > 40. For such scenarios, insights can be gained from the stratification approaches seen in manual clinical OAR delineation. This is the goal of our work, where we introduce stratified organ at risk segmentation (SOARS), an approach that stratifies OARs into anchor, mid-level, and small & hard (S&H) categories. SOARS stratifies across two dimensions. The first dimension is that distinct processing pipelines are used for each OAR category. In particular, inspired by clinical practices, anchor OARs are used to guide the mid-level and S&H categories. The second dimension is that distinct network architectures are used to manage the significant contrast, size, and anatomy variations between different OARs. We use differentiable neural architecture search (NAS), allowing the network to choose among 2D, 3D or Pseudo-3D convolutions. Extensive 4-fold cross-validation on 142 H&N cancer patients with 42 manually labeled OARs, the most comprehensive OAR dataset to date, demonstrates that both pipeline- and NAS-stratification significantly improves quantitative performance over the state-of-the-art (from 69.52% to 73.68% in absolute Dice scores). Thus, SOARS provides a powerful and principled means to manage the highly complex segmentation space of OARs.

研究の動機と目的

• 頭頸部がん放射線治療における42個の臓器在リスク（OAR）の高頻度の観察者間差異と、手作業による描画に要する時間の問題に対処する。
• 40個を超えるOARを対象とする既存のディープラーニング手法が、特に小形・低コントラスト構造に対して困難を示すという限界を克服する。
• 臨床実務を模倣するための階層的OAR分類（アンカー、ミドルレベル、小形・難易度の高い）を用いて、セグメンテーション性能を向上させる。
• 微分可能NASを用いて、各OARカテゴリごとに最適なネットワークアーキテクチャ（2D、3D、または擬似3D畳み込み）を自動選択し、性能と効率を最適化する。
• MICCAI2015を含む外部データセットにおいて一般化性と耐障害性を検証し、本手法の実世界応用可能性を裏付ける。

提案手法

• 臨床的描画実務に基づき、OARを3つのカテゴリに分類する：アンカー（高コントラスト・安定的）、ミドルレベル（低コントラスト・中程度のサイズ）、小形・難易度の高い（極めて小さなサイズ・極めて低コントラスト）。
• 各カテゴリに特化した処理フレームワークを適用する：アンカーOARを最初にセグメンテーションし、その結果をミドルレベルおよびS&H OARのセグメンテーションをガイドする空間的事前知識として利用する。
• S&H OARに対しては検出・セグメンテーションパイプラインを採用し、極端なクラス不均衡に対処するとともに、局在化精度を向上させる。
• 微分可能ニューラルアーキテクチャ探索（NAS）を実装し、各OARカテゴリに最適な畳み込みカーネル（2D、3D、または擬似3D）を自動選択し、性能と効率を最適化する。
• 142例の頭頸部がん患者を含む包括的データセットを用い、4分割交差検証法でモデルを学習する。
• アンカーの予測結果をミドルレベルおよびS&Hブランチへの補助入力として統合し、空間的基盤を提供し、セグメンテーションの一貫性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 臨床的描画実務に基づく階層的学習が、頭頸部がんにおける多様なOARを多数対象としたセグメンテーション性能を向上させることができるか？
• RQ2 微分可能NASで選択された異なるネットワークアーキテクチャ（アンカー、ミドルレベル、S&H）を各カテゴリに適用することで、固定アーキテクチャモデルに比べてより高いセグメンテーション精度が得られるか？
• RQ3 アンカーOARの予測結果を空間的事前知識として統合することで、ミドルレベルおよび小形・難易度の高いOARのセグメンテーションが顕著に向上するか？
• RQ4 SOARSフレームワークは、全OARカテゴリにおいてDiceスコア、ハウスドルフ距離、平均表面距離という指標で、SOTA手法と比較してどの程度優れているか？
• RQ5 SOARSは、異なる画像プロトコルやOAR分布を有する外部データセット（例：MICCAI2015）へどの程度一般化可能か？

主な発見

• SOARSは42個のOARを含むデータセットで75.14%のDiceスコアを達成し、前回のSOTA手法（UaNet）よりも4.70%の絶対的スコア向上を示した。HD誤差は2.22 mm低下した。
• ミドルレベルおよび小形・難易度の高いOARブランチで最も顕著な向上を示し、全OARでDiceスコアが70.44%から75.14%に上昇した。これは、困難な構造に対する強力な性能を示している。
• 微分可能NASは最適なアーキテクチャを適切に選択した：アンカーおよびミドルレベルブランチでは2Dおよび擬似3D畳み込みが優勢であり、S&Hブランチでは3D畳み込みが優先された。これは、3D畳み込みが小形・低コントラスト構造に対してより効果的であることを裏付けた。
• S&Hブランチは検出ベースのガイダンスにより恩恵を受け、ヒートマップ事前知識を用いることで0.82%のDiceスコア向上を達成した。これは、希少かつ小形のOARに対して検出の価値を示した。
• MICCAI2015外部データセットでは、SOARSは平均82.4%のDiceスコアを達成し、UaNetよりも1.2%、[9]よりも2.1%高い結果を示した。特に最も困難とされる視交叉では3.4%の向上を達成した。
• MICCAI2015の全9個のOARにおいて一貫した優位性を示し、7つのOARで最高、2つのOARで2番目の成績を達成した。これは、本手法の耐障害性と一般化能力を確認するものである。