[論文レビュー] Spinal Metastases Segmentation in MR Imaging using Deep Convolutional Neural Networks

Georg Hille, Johannes Steffen+4 more|arXiv (Cornell University)|Jan 8, 2020

Medical Imaging and Analysis被引用数 6

ひとこと要約

本研究では、T1およびT2強調MRIスキャンにおける脊椎転移巣の自動セグメンテーションを目的としたU-Netベースのディープラーニングフレームワークを提案する。平均Diceスコアは77.6％に達し、熟練医師間の変動と同等の水準に達しており、両方の病変タイプ（溶骨性および硬化性）を含む、低データ量の挑戦的状況下でも熟練医師に匹敵する精度を示した。

ABSTRACT

This study's objective was to segment spinal metastases in diagnostic MR images using a deep learning-based approach. Segmentation of such lesions can present a pivotal step towards enhanced therapy planning and validation, as well as intervention support during minimally invasive and image-guided surgeries like radiofrequency ablations. For this purpose, we used a U-Net like architecture trained with 40 clinical cases including both, lytic and sclerotic lesion types and various MR sequences. Our proposed method was evaluated with regards to various factors influencing the segmentation quality, e.g. the used MR sequences and the input dimension. We quantitatively assessed our experiments using Dice coefficients, sensitivity and specificity rates. Compared to expertly annotated lesion segmentations, the experiments yielded promising results with average Dice scores up to 77.6% and mean sensitivity rates up to 78.9%. To our best knowledge, our proposed study is one of the first to tackle this particular issue, which limits direct comparability with related works. In respect to similar deep learning-based lesion segmentations, e.g. in liver MR images or spinal CT images, our experiments showed similar or in some respects superior segmentation quality. Overall, our automatic approach can provide almost expert-like segmentation accuracy in this challenging and ambitious task.

研究の動機と目的

• 画像ガイドド治療（例：ラジオフェーションアブレーション）の重要なステップである、MRIにおける脊椎転移巣の自動化手法の不足に対処すること。
• T1およびT2強調シーケンス間で著しい外観のばらつきを示す病変（溶骨性および硬化性を含む）に対処すること。
• 臨床的MRI環境下での入力モodal（T1対T2）および入力次元がセグメンテーション精度に与える影響を評価すること。
• わずか40例のトレーニングデータセットであるにもかかわらず、熟練医師間の変動に近いセグメンテーション性能を達成すること。

提案手法

• マルチコントラストMRIにおける脊椎転移巣の3次元セマンティックセグメンテーションを目的とした、U-Netに類似した畳み込みニューラルネットワークアーキテクチャを採用する。
• 溶骨性および硬化性転移巣を有する40例の臨床的症例を用い、T1およびT2強調シーケンスを入力モダリティとしてトレーニングする。
• 入力次元（例：軸方向スライス、3次元ボリューム）およびシーケンスの組み合わせを変化させ、モデルのロバストネスと性能のトレードオフを評価する。
• 一般化性能を向上させるために、標準的なディープラーニング損失関数とデータオーグメンテーションを用いてネットワークを最適化する。
• セグメンテーション性能を定量化するために、Dice係数、感度、特異度を主な評価指標として用いる。
• 熟練医師のアノテーション間変動と比較することで、臨床的意義における性能の文脈を明確にする。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースのアプローチは、MRI上での脊椎転移巣に対して熟練放射線科医と同等のセグメンテーション精度を達成できるか？
• RQ2 異なるMRIシーケンス（T1強調対T2強調）は、脊椎転移巣のセグメンテーション性能にどのように影響するか？
• RQ3 入力次元（例：2次元スライス対3次元ボリューム）は、脊椎転移巣のセグメンテーション品質にどのような影響を及えるか？
• RQ4 本研究で提案する手法は、他の臓器や画像モodalにおける既存のディープラーニング手法と比較してどうか？

主な発見

• 最良の設定で、提案手法は平均Diceスコア77.6％を達成し、熟練医師間の変動（79.4％）に非常に近い水準に達した。
• 感度は最大78.9％に達し、多様な形態を示す転移巣の検出能力が優れていることが示された。
• T1強調画像を組み込むことで、T2強調シーケンスのみを用いる場合と比較して、セグメンテーション性能が著しく向上した。
• 40例のトレーニングデータセット（一部の先行研究では200例）という小さなデータセットであるにもかかわらず、肝臓および脳の病変セグメンテーションにおける最先端のディープラーニング手法と同等の性能を示した。
• 結果の標準偏差（10.8％）は、熟練医師間の変動（6.2％）よりも高かったため、個々の症例におけるロバストネス向上の余地があることが示された。
• 本研究は、限定的な先行研究が存在するこの分野において、自動脊椎転移巣セグメンテーションの最初の試みの一つであり、直接的な比較可能性が低い。