[論文レビュー] RootPainter3D: Interactive-machine-learning enables rapid and accurate contouring for radiotherapy

Abraham George Smith, Jens Petersen+6 more|arXiv (Cornell University)|Jun 22, 2021

Advanced Radiotherapy Techniques参考文献 54被引用数 16

ひとこと要約

RootPainter3D は、補正アノテーションを用いて非専門家医療従事者が 3D CT スキャンにおける臓器リスクを迅速かつ正確に輪郭抽出できるインタラクティブ機械学習システムである。医師のフィードバックを繰り返し反映させることで 3D U-Net モデルを段階的に最適化し、Dice スコア 0.95 を達成。923 回のアノテーション後、心臓の輪郭抽出時間を手動の 7:01 分から 2:02 分に短縮し、正確さを損なわず大幅な時間短縮を実現した。

ABSTRACT

Organ-at-risk contouring is still a bottleneck in radiotherapy, with many deep learning methods falling short of promised results when evaluated on clinical data. We investigate the accuracy and time-savings resulting from the use of an interactive-machine-learning method for an organ-at-risk contouring task. We compare the method to the Eclipse contouring software and find strong agreement with manual delineations, with a dice score of 0.95. The annotations created using corrective-annotation also take less time to create as more images are annotated, resulting in substantial time savings compared to manual methods, with hearts that take 2 minutes and 2 seconds to delineate on average, after 923 images have been delineated, compared to 7 minutes and 1 seconds when delineating manually. Our experiment demonstrates that interactive-machine-learning with corrective-annotation provides a fast and accessible way for non computer-scientists to train deep-learning models to segment their own structures of interest as part of routine clinical workflows. Source code is available at \href{https://github.com/Abe404/RootPainter3D}{this HTTPS URL}.

研究の動機と目的

• 放射線治療における時間のかかるかつばらつきのある手動輪郭抽出のボトル neck を解決すること。
• 補正アノテーションを用いたインタラクティブ機械学習が、手動による輪郭抽出と同等の正確さを達成できるかどうかを評価すること。
• アノテーション量の増加に伴い輪郭抽出時間は継続的に短縮されるかどうかを調査すること。
• コンピューターサイエンティストでない医療従事者でも、深層学習モデルを臨床的セグメンテーションタスク用にトレーニングできるようにすること。
• 実際の患者 CT データを用いた臨床ワークフローにおける継続的学習の実現可能性を示すこと。

提案手法

• グループ正規化と残差接続を備えた 3D U-Net アーキテクチャを採用し、3D CT 画像セグメンテーションに適応した。
• クライアント・サーバー型アーキテクチャにより、ユーザーが修正したアノテーションを用いて確率的勾配降下法でリアルタイムにモデル再トレーニングが可能である。
• 補正アノテーションは、ユーザーがバウンディングボックスを定義し、濃淡領域（前面/背景）でモデル予測を修正するグラフィカルインターフェースを通じて実施される。
• 損失計算には、ユーザーがラベル付けした領域のみを用いるため、スパarsなアノテーションでも効率的な学習が可能である。
• 各アノテーション後に、4枚の修正済み画像のバッチを用いてモデルを再トレーニングするが、データオーグメンテーションは適用しない。
• 軸断層および coronal 平面での 3D ナビゲーションが可能で、最適な可視化を実現するためのウィンドウ/レベル設定を調整可能である。

実験結果

リサーチクエスチョン

• RQ1 補正アノテーションを用いたインタラクティブ機械学習は、手動による輪郭抽出と同等の正確さを達成できるか？
• RQ2 より多くの画像がアノテートされるにつれて、輪郭抽出に要する時間が継続的に短縮されるか？
• RQ3 非専門家医療従事者が本システムを用いて深層学習モデルを臓器セグメンテーション用に効果的にトレーニングできるか？
• RQ4 修正アノテーションの数が増えるに従い、モデルのパフォーマンスはどのように変化するか？
• RQ5 スパarsで人間がガイドするアノテーションが、モデルの一般化性能および推論品質に与える影響は何か？

主な発見

• RootPainter3D システムは、手動による輪郭抽出と比較して平均 Dice スコア 0.95 を達成し、ゴールスタンダードの輪郭と強い一致を示した。
• 923 枚のアノテート済み画像を経過した後、心臓の輪郭抽出時間は平均 2 分 2 秒に短縮され、手動法の 7 分 1 秒に比べ 3.5 倍の高速化が達成された。
• 初期トレーニングフェーズ以降、933 スキャンの大部分で Dice スコアが 0.9 を上回ったが、一部の外れ値（Dice スコア 0.67 および 0.68）は腫瘍の近接に起因した。
• アノテーション画像の数が増えるに従い、予測された輪郭と修正された輪郭の間の平均絶対的線量差は 0.3 グレイから 0.12 グレイに減少し、時間の経過とともに線量計測の正確さが向上した。
• アノテーション量の増加に伴い、パフォーマンスが一貫して向上する傾向を示し、実行中の平均 Dice スコアは一般的に上行する傾向を示した。
• 外れ値の主な原因は、心臓に近接する腫瘍であり、複雑な解剖的構造ですら、補正アノテーションによっても挑戦的であることを示した。