[論文レビュー] Robust Pancreatic Ductal Adenocarcinoma Segmentation with Multi-Institutional Multi-Phase Partially-Annotated CT Scans

Ling Zhang, Yu Shi+6 more|arXiv (Cornell University)|Aug 24, 2020

Pancreatic and Hepatic Oncology Research参考文献 18被引用数 5

ひとこと要約

本論文は、多施設・多段階・部分的にアノテート済みのCTスキャンを用いて、頚部膵管癌（PDAC）のセグメンテーションに耐性のある自己学習フレームワークを提案する。2つの専用のティーチャーモデルが偽アノテーションを生成し、血管境界を精緻化するためのティーチングアシスタントモデルを活用することで、学生モデルはDiceスコア0.71を達成した。これは放射線科医間のばらつきと同等であり、nnUNetなどの強力なベースラインより6.3%の絶対的向上を示した。

ABSTRACT

Accurate and automated tumor segmentation is highly desired since it has the great potential to increase the efficiency and reproducibility of computing more complete tumor measurements and imaging biomarkers, comparing to (often partial) human measurements. This is probably the only viable means to enable the large-scale clinical oncology patient studies that utilize medical imaging. Deep learning approaches have shown robust segmentation performances for certain types of tumors, e.g., brain tumors in MRI imaging, when a training dataset with plenty of pixel-level fully-annotated tumor images is available. However, more than often, we are facing the challenge that only (very) limited annotations are feasible to acquire, especially for hard tumors. Pancreatic ductal adenocarcinoma (PDAC) segmentation is one of the most challenging tumor segmentation tasks, yet critically important for clinical needs. Previous work on PDAC segmentation is limited to the moderate amounts of annotated patient images (n<300) from venous or venous+arterial phase CT scans. Based on a new self-learning framework, we propose to train the PDAC segmentation model using a much larger quantity of patients (n~=1,000), with a mix of annotated and un-annotated venous or multi-phase CT images. Pseudo annotations are generated by combining two teacher models with different PDAC segmentation specialties on unannotated images, and can be further refined by a teaching assistant model that identifies associated vessels around the pancreas. A student model is trained on both manual and pseudo annotated multi-phase images. Experiment results show that our proposed method provides an absolute improvement of 6.3% Dice score over the strong baseline of nnUNet trained on annotated images, achieving the performance (Dice = 0.71) similar to the inter-observer variability between radiologists.

研究の動機と目的

• 限られた専門家によるアノテーションに対応できる、耐性があり完全に自動化されたPDACセグメンテーション手法の開発を目的とする。
• 腫瘍境界が不明瞭で画像コントラストが低い、複雑な多段階CTスキャンにおいて、セグメンテーションの正確性を向上させることを目的とする。
• 手作業によるセグメンテーションの負担を軽減することで、大規模な腫瘍学研究を可能にすることを目的とする。
• 放射線科医間の観察者間ばらつきと同等の性能を達成することを目的とする。
• 自己学習フレームワークを活用して未アノテートデータを活用し、小規模なアノテートデータセットを超えてモデルの訓練をスケーリングすることを目的とする。

提案手法

• 二重ティーチャーの自己学習フレームワークにより、それぞれ異なる強みを持つ2つの専用PDACセグメンテーションモデルを用いて、未アノテートの多段階CTスキャンに対して偽アノテーションを生成する。
• 血管構造（例：門脈、脾静脈）を膵臓から特定・除外するように訓練されたティーチングアシスタントモデルを活用し、セグメンテーションの正確性を向上させる。
• 学生モデルは、手作業でアノテートされた画像と、ティーチャーモデルおよびティーチングアシスタントモデルが精緻化した偽アノテーションの組み合わせを用いて訓練される。
• 多段階CTデータ（非対照、動脈期、静脈期）を統合することで、腫瘍の可視性とモデルの汎用性を向上させる。
• 性能評価には5分割交差検証戦略を用い、主な指標としてDice係数を採用する。
• 本手法は、約1,000名の患者を含む大規模で多施設のデータセットを用いて検証された。このデータセットには、アノテート済みおよび未アノテートの症例が含まれる。

実験結果

リサーチクエスチョン

• RQ1 限られた専門家によるアノテーションしか入手できない状況下で、自己学習フレームワークがPDACセグメンテーション性能を効果的に向上させることができるか？
• RQ2 相補的な特徴を持つ複数のティーチャーモデルを統合することで、複雑でコントラストが低いCTスキャンにおけるセグメンテーション正確性が向上するか？
• RQ3 血管構造の除外に特化したティーチングアシスタントモデルは、PDACセグメンテーションにおける腫瘍境界の明確化に寄与するか？
• RQ4 提案手法は、放射線科医間の観察者間ばらつきと同等の性能を達成するか？
• RQ5 部分的にアノテート済みの多段階CTスキャンデータを用いて訓練された学生モデルは、nnUNetなどの強力なベースラインを上回る性能を示すか？

主な発見

• 提案手法はテストセットで中央値Diceスコア0.755を達成し、完全にアノテート済みデータで訓練されたベースラインのnnUNetモデルを著しく上回った。
• ティーチングアシスタントが精緻化した偽アノテーションを統合した後、学生モデルはDiceスコア0.709を達成し、nnUNetベースラインより6.3%の絶対的向上を示した。
• 本手法はDiceスコア0.71を達成し、放射線科医間の観察者間ばらつき（0.697～0.710）と同等であるため、放射線科医水準の性能を示している。
• 非対照・動脈期・静脈期の3段階CTを用いることで、セグメンテーション性能が0.646まで向上し、以前の最先端手法を上回った。
• ティーチングアシスタントモデルは、膵臓および腫瘍セグメンテーションから血管を正確に特定・除外することで、誤検出の減少を効果的に実現した。
• 定性的な結果から、学生モデルは特に大きな不規則な形状の腫瘍や、複雑な血管構造に近い腫瘍の境界明確化が向上していることが示された。