[論文レビュー] Surface-based 3D Deep Learning Framework for Segmentation of Intracranial Aneurysms from TOF-MRA Images

Xi Yang, Ding Xia+2 more|arXiv (Cornell University)|Jun 29, 2020

Intracranial Aneurysms: Treatment and Complications参考文献 11被引用数 4

ひとこと要約

本稿では、時間飛行MRA画像における頭蓋内動脈瘤のセグメンテーションのための表面ベースの3次元ディープラーニングフレームワークを提案する。半自動的に生成された血管表面モデルとPointNet++を用いた断片分類、その後にSO-Netを用いた高精度な表面セグメンテーションを実施する。この手法は72%のDice類似係数を達成し、従来のピクセルベースのフレームワーク（46%）を著しく上回る。

ABSTRACT

Segmentation of intracranial aneurysms is an important task in medical diagnosis and surgical planning. Volume-based deep learning frameworks have been proposed for this task; however, they are not effective. In this study, we propose a surface-based deep learning framework that achieves higher performance by leveraging human intervention. First, the user semi-automatically generates a surface representation of the principal brain arteries model from time-of-flight magnetic resonance angiography images. The system then samples 3D vessel surface fragments from the entire brain artery model and classifies the surface fragments into those with and without aneurysms using the point-based deep learning network (PointNet++). Next, the system applies surface segmentation (SO-Net) to the surface fragments containing aneurysms. We conduct a head-to-head comparison of segmentation performance by counting voxels between the proposed surface-based framework and existing pixel-based framework, and our framework achieved a much higher dice similarity coefficient score (72%) than the existing one (46%).

研究の動機と目的

• TOF-MRA画像からの頭蓋内動脈瘤のセグメンテーションにおけるボリュームベースのディープラーニングの限界を解消すること。
• ボリュームボクセルの代わりに脳動脈の表面表現を活用することで、セグメンテーションの精度を向上させること。
• 初期の血管表面モデルの作成に人間の介入を統合することで、モデルのパフォーマンスを向上させること。
• 従来のピクセルベースのアプローチよりも高い精度で、動脈瘤を含む表面断片を分類・セグメンテーションするフレームワークの開発

提案手法

• フレームワークは、TOF-MRA画像から主幹脳動脈の3次元表面モデルをユーザー支援による半自動的手法で生成することから始める。
• システムは血管表面モデルから3次元断片をサンプリングして分類処理を行う。
• 各表面断片が動脈瘤を含むか否かを分類するためにPointNet++が用いられる。
• 動脈瘤陽性と分類された断片のみが、詳細な表面セグメンテーションのためSO-Netによってさらに処理される。
• 最終的なセグメンテーションは、セグメンテーション済みの表面断片から再構成される。
• 本手法は、従来のピクセルベースのフレームワークとは対照的に、ボリュームデータではなく表面幾何から直接処理を行う点で特徴づけられる。

実験結果

リサーチクエスチョン

• RQ1 表面ベースのディープラーニングフレームワークは、TOF-MRAからの頭蓋内動脈瘤セグメンテーションにおいて、従来のボリュームベースの手法を上回ることができるか？
• RQ2 人間が生成した表面モデルの統合が、セグメンテーション精度にどのように影響するか？
• RQ3 表面断片分類にPointNet++を用いることで、動脈瘤領域の検出がどの程度向上するか？
• RQ4 SO-Netは、ボクセルベースのセグメンテーションネットワークと比較して、動脈瘤の表面セグメンテーションをより正確に実行できるか？
• RQ5 提案された表面ベースの手法を用いることで、Dice類似係数にどの程度の定量的改善が得られるか？

主な発見

• 提案された表面ベースのフレームワークは、72%のDice類似係数を達成し、従来のピクセルベースのフレームワーク（46%）を著しく上回った。
• Diceスコアの向上は、表面ベース表現が頭蓋内動脈瘤のセグメンテーション精度を向上させることを示している。
• 表面断片の分類にPointNet++を用いることで、動脈瘤を含む領域の正確な同定が可能になった。
• SO-Netは表面断片を効果的にセグメンテーションし、手術計画に不可欠な解剖学的詳細を保持した。
• 半自動的に生成された表面に依存するフレームワークは、完全にボリュームベースのアプローチと比較してノイズを低減し、モデルの一般化能力を向上させた。
• 直接比較の結果、表面ベースのディープラーニングは、このタスクにおいて従来のピクセルベースの手法よりも効果的であることが確認された。