[論文レビュー] TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI

Tugba Akinci D’Antonoli, Lucas K. Berger+17 more|arXiv (Cornell University)|May 29, 2024

Medical Image Segmentation Techniques被引用数 22

ひとこと要約

本論文は TotalSegmentator の概念を MRI に適用し、MRI と CT で訓練されたシーケンスに依存しない nnU-Net モデルを提示します。これにより MRI における 80 の解剖学的構造を自動的にセグメントし、強力な Dice 性能と外部検証を実現します。

ABSTRACT

Since the introduction of TotalSegmentator CT, there is demand for a similar robust automated MRI segmentation tool that can be applied across all MRI sequences and anatomic structures. In this retrospective study, a nnU-Net model (TotalSegmentator) was trained on MRI and CT examinations to segment 80 anatomic structures relevant for use cases such as organ volumetry, disease characterization, surgical planning and opportunistic screening. Examinations were randomly sampled from routine clinical studies to represent real-world examples. Dice scores were calculated between the predicted segmentations and expert radiologist reference standard segmentations to evaluate model performance on an internal test set, two external test sets and against two publicly available models, and TotalSegmentator CT. The model was applied to an internal dataset containing abdominal MRIs to investigate age-dependent volume changes. A total of 1143 examinations (616 MRIs, 527 CTs) (median age 61 years, IQR 50-72) were split into training (n=1088, CT and MRI) and an internal test set (n=55; only MRI), two external test sets (AMOS, n=20; CHAOS, n=20; only MRI), and an internal aging-study dataset of 8672 abdominal MRIs (median age 59 years, IQR 45-70) were included. The model showed a Dice Score of 0.839 on the internal test set and outperformed two other models (Dice Score, 0.862 versus 0.759; and 0.838 versus 0.560; p<.001 for both). The proposed open-source, easy-to-use model allows for automatic, robust segmentation of 80 structures, extending the capabilities of TotalSegmentator to MRIs of any sequence. The ready-to-use online tool is available at https://totalsegmentator.com, the model at https://github.com/wasserth/TotalSegmentator, and the dataset at https://zenodo.org/records/14710732.

研究の動機と目的

• MRI 全体の複数の解剖学的構造に対して、堅牢でシーケンスに依存しない自動セグメンテーションツールを開発する。
• マルチモーダルな訓練 regime（MRI と CT）を活用して MRI 画像上のセグメンテーション性能を向上させる。
• 内部および外部のテストセットでの性能を評価し、他のモデルおよび従来の TotalSegmentator CT と比較する。
• 臨床実用性のためのオープンソースで即利用可能なモデルとオンラインツールを提供し、臓器体積測定、疾患特性の評価、計画に寄与する。

提案手法

• MRI と CT の結合データセット上で 80 の解剖学的構造をセグメントする TotalSegmentator モデルを nnU-Net ベースで訓練する。
• 内部および外部のテストセットに対して専門放射線科医の基準と Dice スコアを比較してセグメンテーション性能を評価する。
• TotalSegmentator MRI を、ベンチマークとして 2 つの他モデルおよび TotalSegmentator CT と比較する。
• 実臨床の routine studies の retrospective sampling を用いて現実世界のデータ変動を反映する。
• 内部の腹部 MRI 年齢推定データセットを用いて年齢関連の体積変化を分析する。
• 再現性のためにオープンソースのコード、オンラインツール、およびデータセットのリンクを公開する。

実験結果

リサーチクエスチョン

• RQ1 シーケンスに依存しない単一のモデルで、さまざまなシーケンスを跨いで MRI の 80 の解剖学的構造を信頼性高くセグメントできるか。
• RQ2 MRI で訓練した TotalSegmentator は、内部および外部の MRI テストセットで、代替モデルおよび従来の CT ベース版と比較してどの程度の性能を示すか。
• RQ3 腹部 MRI データセットにおける年齢関連の体積変化をモデルはどの程度検出できるか。）

主な発見

• モデルは内部の MRI テストセットで Dice スコア 0.839 を達成した。
• 他の 2 つのモデルと比較した場合、0.862 対 0.759（p<0.001）および 0.838 対 0.560（p<0.001）という Dice スコアとなった。
• 学習と評価には 1143 件の検査（616 件の MRI、527 件の CT）を使用し、外部 MRI テストとして AMOS（n=20）および CHAOS（n=20）を用いた。
• 年齢依存の体積変化を調べるため、8672 件の腹部 MRI からなる内部 aging MRI データセットを分析した。
• このアプローチは TotalSegmentator を任意のシーケンスの MRI に拡張し、オープンソースとしてオンラインツールとともに公開している。