[論文レビュー] SpineNetV2: Automated Detection, Labelling and Radiological Grading Of Clinical MR Scans

Rhydian Windsor, Amir Jamaludin+2 more|arXiv (Cornell University)|May 3, 2022

Medical Imaging and Analysis被引用数 7

ひとこと要約

SpineNetV2 は、臨床的脊椎 MRI スキャンにおける椎体および椎間板の自動検出、ラベリング、放射線学的グレーディングを目的としたディーブラーニングフレームワークです。SpineNetV1 に比べ、深層学習に基づくベクトル場回帰法を用いて、腰椎、頸椎、全身など複数の視野において、より高速かつより頑健な椎体検出を実現しました。また、ResNet34 バックボーンを採用することで、多クラス中央管狭窄症、側弯管狭窄症、および椎間板ヘルニアの放射線学的グレーディングを向上させ、GPU 上で1枚の腰椎スキャンあたり約5秒の推論速度を達成し、元のバージョン比で60倍の高速化を実現しました。

ABSTRACT

This technical report presents SpineNetV2, an automated tool which: (i) detects and labels vertebral bodies in clinical spinal magnetic resonance (MR) scans across a range of commonly used sequences; and (ii) performs radiological grading of lumbar intervertebral discs in T2-weighted scans for a range of common degenerative changes. SpineNetV2 improves over the original SpineNet software in two ways: (1) The vertebral body detection stage is significantly faster, more accurate and works across a range of fields-of-view (as opposed to just lumbar scans). (2) Radiological grading adopts a more powerful architecture, adding several new grading schemes without loss in performance. A demo of the software is available at the project website: http://zeus.robots.ox.ac.uk/spinenet2/.

研究の動機と目的

• 腰椎、頸椎、胸椎、全身など多様な解剖的視野をカバーする臨床的脊椎 MRI スキャンにおいて、自動化された椎体検出およびラベリングをより高速かつ頑健で汎用性の高いシステムとして開発すること。
• T2強調 MRI スキャンにおける椎間板の放射線学的グレーディングを向上させ、SpineNetV1 のオリジナルのグレーディングスキームを超えて、多クラス中央管狭窄症、側弯管狭窄症、および椎間板ヘルニアのグレーディングを追加すること。
• SpineNetV1 で使用されていた計算コストの高い HOG ベースの検出パイプラインを、推論速度の向上とオープンソースフレームワークとの互換性を高めるために、ディーブラーニングベースのアプローチに置き換えること。
• MATLAB からオープンソースの Python ライブラリ（例：PyTorch、PyDicom）への移行により、より幅広いハードウェア環境でのデプロイを可能にし、アクセシビリティと再現性を向上させること。
• 生 DICOM ファイルから構造化出力（CSV/JSON）までを一貫したエンドツーエンドのパイプラインとして提供し、臨床研究および放射線学的評価を支援すること。

提案手法

• 従来の HOG ベース手法に代わり、深層学習に基づくベクトル場回帰（VFR）モデルを用いて、多様なスキャン視野においてより高速かつ高精度な椎体検出を実現。
• 空間的文脈と強度パターンに基づき、畳み込みニューラルネットワーク（CNN）を用いて検出された椎体に解剖学的ラベル（例：L1、L2）を割り当てる。
• 隣接するラベル化された椎体の間の領域を計算することで椎間板領域（IVV）を抽出し、各椎間板の局所的放射線学的グレーディングを可能にする。
• 放射線学的グレーディング部の特徴抽出に、SpineNetV1 で使用された VGG-F の代わりに、より深い ResNet34 アーキテクチャを採用し、複雑な変性変化に対する性能と一般化能力を向上。
• マルチヘッド分類ヘッドを用いて、同時に複数のグレーディングスキームを予測：Pfirrmann（5クラス）、間隔狭窄（4クラス）、終板障害（2クラス）、髄髄変化（2クラス）、すべり症（2クラス）、中央管狭窄症（4クラス）、側弯管狭窄症（左右別2クラス）、椎間板ヘルニア（2クラス）。
• 大規模スキャンの処理には、重複するパッチに分割して個別に処理し、その後再統合することで、完全カバー範囲の検出とラベリングを再構築。

実験結果

リサーチクエスチョン

• RQ1 ディーブラーニングベースの椎体検出システムは、従来の HOG ベース手法に比べ、脊椎 MRI スキャンの多様な視野において、より高い精度と速度を達成できるか？
• RQ2 統一されたエンドツーエンドのディーブラーニングパイプラインは、頸椎、腰椎、全身など多様な解剖的領域の矢状断スキャンにおいて、領域特化のチューニングなしに、椎体を信頼性高く検出・ラベリングできるか？
• RQ3 VGG-F バックボーンをより深い ResNet34 に置き換えることで、多クラス中央管狭窄症や側弯管狭窄症などの複雑な変性変化の放射線学的グレーディング性能が顕著に向上するか？
• RQ4 新アーキテクチャは、SpineNetV1 と比較して、推論時間の短縮を図りつつ、グレーディング精度を維持または向上させることができるか？
• RQ5 オープンソースソフトウェアと一般的なハードウェア（CPU や GPU を含む）を用いて、実臨床研究環境でも効率的にデプロイ可能か？

主な発見

• 腰椎スキャンの推論時間を、SpineNetV1 の約5分から GPU 上で約5秒に短縮し、処理時間で60倍の高速化を達成。
• 新規の VFR ベースの椎体検出システムは、すべての視野（腰椎、頸椎、胸椎、全身）において、SpineNetV1 の腰椎限定に比べ、より高速かつ高精度な検出を実現し、頑健性が向上。
• Genodisc データセットにおける放射線学的グレーディング性能は同等またはわずかに向上：spondylolisthesis で95.0%、中央管狭窄症（バイナリ）で93.2%の正答率を達成し、SpineNetV1 が対応する既存のタスクと同等または上回る性能を示した。
• SpineNetV2 は、SpineNetV1 では対応していなかった新しいグレーディングスキームを導入した：多クラス中央管狭窄症（4クラス、F1スコア64.9%）、左右別側弯管狭窄症（F1スコア84.8% および 82.4%）、椎間板ヘルニア（F1スコア80.4%）。
• GPU のピークメモリ使用量は、腰椎スキャンで1.6GB、全身スキャンで2.5GB であり、臨床現場でのデプロイに適した効率的なメモリ使用を示している。
• CPU での処理時間は、腰椎スキャンで25秒、全身スキャンで120秒であり、GPU を搭載しない環境でも使用可能であることが確認されたが、速度は低下する。