[論文レビュー] Organ at Risk Segmentation in Head and Neck CT Images by Using a Two-Stage Segmentation Framework Based on 3D U-Net

Yueyue Wang, Liang Zhao+2 more|arXiv (Cornell University)|Aug 25, 2018

Advanced Neural Network Applications参考文献 28被引用数 6

ひとこと要約

本論文は、頭頸部CTスキャンにおける臓器リスク対象（OAR）のセグメンテーションのための2段階3次元U-Netフレームワークを提案する。この手法は、タスクをバウンディングボックスの局所化とそのボックス内での正確なセグメンテーションに分解する。この方法は最先端の性能を達成し、MICCAI 2015データセットにおいて9つのOARのうち8つで95HDで1位を記録し、全9つのOARでDiceスコアで1位または2位を獲得した。

ABSTRACT

Accurate segmentation of organ at risk (OAR) play a critical role in the treatment planning of image guided radiation treatment of head and neck cancer. This segmentation task is challenging for both human and automatic algorithms because of the relatively large number of OARs to be segmented, the large variability of the size and morphology across different OARs, and the low contrast of between some OARs and the background. In this paper, we proposed a two-stage segmentation framework based on 3D U-Net. In this framework, the segmentation of each OAR is decomposed into two sub-tasks: locating a bounding box of the OAR and segment it from a small volume within the bounding box, and each sub-tasks is fulfilled by a dedicated 3D U-Net. The decomposition makes each of the two sub-tasks much easier, so that they can be better completed. We evaluated the proposed method and compared it to state-of-the-art methods by using the MICCAI 2015 Challenge dataset. In terms of the boundary-based metric 95HD, the proposed method ranked first in eight of all nine OARs and ranked second in the other OAR. In terms of the area-based metric DSC, the proposed method ranked first in six of the nine OARs and ranked second in the other three OARs with small difference with the first one.

研究の動機と目的

• 高解剖的可変性と低組織コントラストのため、頭頸部CT画像における正確な臓器リスク対象（OAR）セグメンテーションの課題に対処すること。
• 1つの3次元ボリューム内で多様なサイズと形状を示す複数のOARのセグメンテーション性能を向上させること。
• セグメンテーションタスクを局所化と詳細なセグメンテーションという2つの管理しやすいサブタスクに分解することで、複雑さを低減すること。
• 各サブタスクに特化した3次元U-Netを用いて、MICCAI 2015チャレンジデータセットで最先端の性能を達成すること。

提案手法

• 本手法は2段階のフレームワークを採用する：まず、3次元U-Netが関心のある臓器の周囲にバウンディングボックスを予測することで局所化を行う。
• 次に、バウンディングボックスで定義された局所化されたボリューム内で、別個の3次元U-Netが正確なセグメンテーションを実行する。
• 各段階で、タスクの異なる側面に焦点を当てた学習を可能にするために、専用の3次元U-Netアーキテクチャが使用される。
• 2段階目の入力の複雑さを軽減するため、OARの周囲の小さな関連領域に制限される。
• モデルは交差エントロピー損失を用いてエンドツーエンドで訓練され、確率的勾配降下法で最適化される。
• 推論は、まずバウンディングボックスを予測し、その後ボリュームをクロップして2番目のネットワークを適用してセグメンテーションを実行する。

実験結果

リサーチクエスチョン

• RQ1 2段階3次元U-Netフレームワークは、単一段階アプローチと比較して、頭頸部CTスキャンにおける臓器リスク対象の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 セグメンテーションを局所化と詳細なセグメンテーションの2段階に分解することで、高い形態的可変性を示すOARの性能が向上するか？
• RQ3 境界および領域ベースのセグメンテーション指標において、本手法は最先端の手法と比較してどのように性能を発揮するか？
• RQ4 低コントラストおよび不規則な形状を示すOARに対しても、このフレームワークは高い性能を維持できるか？

主な発見

• 提案手法は、MICCAI 2015データセットにおいて9つのOARのうち8つで95%ヒューベルト距離（95HD）で最高の性能を達成した。
• Dice類似度係数（DSC）では、9つのOARのうち6つで1位、残りの3つで2位を記録し、最小限の性能差が観察された。
• 2段階設計により、2段階目のセグメンテーションタスクの複雑さが低減され、セグメンテーションの正確性が顕著に向上した。
• 本手法は、サイズや形状が異なるOAR、および低コントラストの境界を示すOARに対しても、頑健であることが示された。
• 結果から、バウンディングボックス予測による局所化に配慮した精緻化が、複雑な解剖的領域におけるセグメンテーション精度を向上させることを確認した。