[論文レビュー] SegTHOR: Segmentation of Thoracic Organs at Risk in CT images

Zoé Lambert, Caroline Petitjean+2 more|arXiv (Cornell University)|Dec 12, 2019

Advanced Neural Network Applications参考文献 18被引用数 10

ひとこと要約

本稿では、放射線治療計画用に、心臓、気管、大動脈、食道の4つの放射線感受性臓器（OAR）の手動輪郭を含む、60例の胸部CTスキャンで構成される公開データセットSegTHORを紹介する。ドロップアウトと双線形補間を用いた簡素化されたU-Netアーキテクチャを用いて、心臓ではDiceスコア0.93、気管では0.86を達成した。特に、正例が存在するスライスに限定して評価した場合のスコア向上が顕著で、低コントラストで小さな臓器、特に食道のセグメンテーションにおける改善の余地が浮き彫りになった。

ABSTRACT

In the era of open science, public datasets, along with common experimental protocol, help in the process of designing and validating data science algorithms; they also contribute to ease reproductibility and fair comparison between methods. Many datasets for image segmentation are available, each presenting its own challenges; however just a very few exist for radiotherapy planning. This paper is the presentation of a new dataset dedicated to the segmentation of organs at risk (OARs) in the thorax, i.e. the organs surrounding the tumour that must be preserved from irradiations during radiotherapy. This dataset is called SegTHOR (Segmentation of THoracic Organs at Risk). In this dataset, the OARs are the heart, the trachea, the aorta and the esophagus, which have varying spatial and appearance characteristics. The dataset includes 60 3D CT scans, divided into a training set of 40 and a test set of 20 patients, where the OARs have been contoured manually by an experienced radiotherapist. Along with the dataset, we present some baseline results, obtained using both the original, state-of-the-art architecture U-Net and a simplified version. We investigate different configurations of this baseline architecture that will serve as comparison for future studies on the SegTHOR dataset. Preliminary results show that room for improvement is left, especially for smallest organs.

研究の動機と目的

• 胸部OAR（放射線感受性臓器）のセグメンテーションに向けた、公開可能で標準化されたデータセットの不足に対処すること。
• 心臓、気管、大動脈、食道の4つの主要なOARについて、高品質な手動輪郭を備えたベンチマークデータセットを提供すること。
• SegTHORデータセット上で、最先端および簡素化されたU-Netアーキテクチャを用いたベースライン性能を確立すること。
• 放射線治療応用分野における医療画像セグメンテーション研究の公平な比較と再現可能性を可能にすること。
• 低コントラストで小さな臓器、特に食道のセグメンテーションにおける課題を特定すること。これは正確な線量計画にとって不可欠である。

提案手法

• SegTHORデータセットは、肺がんおよびホジキン病の患者から得られた60例の3次元CTスキャンで構成され、スライス数（150～284）と解像度（インプレーン：0.90～1.37 mm、スライス厚：2～3.7 mm）にばらつきがある。
• OARの手動セグメンテーションは、経験豊富な放射線治療専門医がSomaVisionプラットフォームを用いて実施し、臨床ガイドラインに従って輪郭が定義された。
• ベースラインモデルは、ドロップアウト正則化と2つのアップサンプリング戦略（転置畳み込みと双線形補間）を用いた簡素化されたU-Net（sU-Net）を用いて訓練された。
• セグメンテーション性能の評価には、Dice係数と平均ハウスドルフ距離（AHD）を用い、全データセットと、正例が存在する部分集合の両方で比較した。
• 正例が存在しない領域における誤ラベルの影響を評価するため、元のスライス範囲と制限されたスライス範囲の両方で評価を実施した。
• Codalabプラットフォーム上で、新しい評価プロトコルを導入し、2つの評価モード（全スライスモードと正例のみモード）をサポートした。

実験結果

リサーチクエスチョン

• RQ1 正例が存在するスライスに限定して評価した場合と、全スライスで評価した場合とで、モデルの性能にどのような差が生じるか？
• RQ2 アーキテクチャの簡素化とドロップアウト正則化が、小さな低コントラスト胸部OARのセグメンテーション精度に与える影響は何か？
• RQ3 このセグメンテーションタスクにおいて、転置畳み込みと双線形補間のどちらのアップサンプリング手法が、性能と効率の面で優れているか？
• RQ4 ネットワークの深さや特徴マップ数の選択が、一般化性能に与える影響はどの程度か。特に、解剖学的可変性が著しい食道のような臓器においては？
• RQ5 SegTHORにおけるベースライン結果は、最先端のモデルと比較してどうなっており、特に重要なOARにおいて、どの程度の性能ギャップが残っているか？

主な発見

• ドロップアウトと双線形補間を組み合わせた簡素化U-Netは、全データセットで心臓に対して0.93 ± 0.03、気管に対して0.86 ± 0.04のDiceスコアを達成した。
• 食道では、全データセットで0.81 ± 0.06のDiceスコアを示し、正例が存在するスライスに限定して評価した場合、0.83 ± 0.06に向上した。
• 気管の平均ハウスドルフ距離（AHD）は、正例ラベル付きスライスに限定した場合、1.08 ± 0.85から0.15 ± 0.09に顕著に低下し、空間的正確性が向上したことが示された。
• 大動脈は、全データセットでDiceスコア0.92 ± 0.02、AHD 0.52 ± 0.66を示し、制限されたセットではそれぞれ0.93 ± 0.02、0.19 ± 0.31に改善した。
• 双線形補間は、DiceスコアとAHDの両面で転置畳み込みを上回り、計算コストが低いため好ましいとされた。
• 本研究では、低コントラストで解剖学的可変性が著しいことから、食道が最も挑戦的な構造であることが判明し、セグメンテーション精度のさらなる向上の余地が大きいことが明らかになった。