[論文レビュー] TotalSegmentator: robust segmentation of 104 anatomical structures in CT images

Jakob Wasserthal, Hanns‐Christian Breit+10 more|PubMed|Aug 11, 2022

Advanced X-ray and CT Imaging参考文献 19被引用数 279

ひとこと要約

著者は公開されている nnU-Net モデルを用いて CT画像で104個の解剖学的構造を堅牢に分割できることを示し、高い精度と幅広い適用性を実証している。大規模全身CTコホートでの加齢分析を含む。

ABSTRACT

The developed model enables robust and accurate segmentation of 104 anatomic structures. The annotated dataset (<i>https://doi.org/10.5281/zenodo.6802613</i>) and toolkit (<i>https://www.github.com/wasserth/TotalSegmentator</i>) are publicly available.<b>Keywords:</b> CT, Segmentation, Neural Networks <i>Supplemental material is available for this article</i>. © RSNA, 2023See also commentary by Sebro and Mongan in this issue.

研究の動機と目的

• CT画像中の104個の解剖学的構造を自動かつ堅牢に分割するセグメンテーションモデルを開発する。
• 一般化可能性を最大化するため、現実世界の多様なトレーニングデータセットと手動アノテーションを作成する。
• 研究と臨床計画の幅広い普及を可能にするため、モデルとトレーニングデータを公開する。

提案手法

• データセットに対して自動設定を用いたセグメンテーションのバックボーンとして nnU-Net を使用する。
• 1204件のCT検査にわたり104構造をアノテーションし、反復的な精緻化を通じてグラウンドトゥルースを作成する。
• 高解像度モデル（1.5 mm）と低解像度モデル（3 mm）を別々に訓練し、DiceおよびNSD指標で評価する。
• 相対性能を評価するため、BTCV公開モデルと比較する。
• 訓練済みモデルを別の加齢データセットである4004全身CTスキャンに適用し、年齢関連の変化を検討する。

実験結果

リサーチクエスチョン

• RQ1 単一のモデルで多様なCT画像にわたり104個の解剖学的構造を正確に分割できるか？
• RQ2 1.5 mm解像度モデルは、3 mm解像度モデルと分割精度および境界の精度でどう比較されるか？
• RQ3 モデルは外部データセット（例: BTCV）および大規模多発外傷コホートにおける加齢分析へ一般化可能か？

主な発見

モデル	Study size (voxels)	Runtime	RAM	GPU Mem
1.5mm model	Small (512 × 512 × 280)	1min 17s	7.6GB	6.1GB
3mm model	Small (512 × 512 × 280)	34s	7.4GB	5.2GB
1.5mm model	Medium (512 × 512 × 458)	2min 49s	10.6GB	8.5GB
3mm model	Medium (512 × 512 × 458)	53s	8.4GB	7.4GB
1.5mm model	Large (512 × 512 × 824)	3min 32s	11.8GB	11.4GB
3mm model	Large (512 × 512 × 824)	1min 23s	10.6GB	7.5GB

• テストセットのDiceスコア: 0.943 (95% CI 0.938–0.947)。
• 3 mmモデルのDiceスコア: 0.840 (95% CI 0.836–0.844)、NSD: 0.966 (95% CI 0.962–0.969)。
• 我々の1.5 mmモデルはテストセットでBTCVモデルを用いたnnU-Netを上回った（Dice 0.932 vs 0.871; p<0.001）。
• BTCVデータでは、我々の1.5 mmモデルはDice 0.849およびNSD 0.932を達成した。
• 加齢研究では、複数の構造について年齢と体積/減衰との有意な相関が示された（例: 大動脈体積 rs=0.64; p<0.001; 自生背部筋群の減衰 rs=−0.74; p<0.001）。
• モデルは事前学習済みウェイトとトレーニングデータ（TotalSegmentator）とともに公開され、CPUで12 GB未満のRAMで実行可能。