[論文レビュー] Towards Automatic Abdominal Multi-Organ Segmentation in Dual Energy CT using Cascaded 3D Fully Convolutional Network

Shuqing Chen, Holger R. Roth+8 more|arXiv (Cornell University)|Oct 15, 2017

Advanced X-ray and CT Imaging参考文献 5被引用数 29

ひとこと要約

本論文は、線量低減CT（DECT）における自動的多臓器セグメンテーションのための段階的3次元畳み込みニューラルネットワーク（FCN）を提案する。本手法は、線形重み付け（α）を用いた事前処理済み混合DECT画像と、単エネルギーCT（SECT）で事前学習された一般化3次元U-Netモデルのファインチューニングを活用する。平均Diceスコアは、肝臓で93%、脾臓で90%、右腎臓で91%、左腎臓で89%を達成し、臨床的DECT応用への実現可能性と頑健性を示している。

ABSTRACT

Automatic multi-organ segmentation of the dual energy computed tomography (DECT) data can be beneficial for biomedical research and clinical applications. However, it is a challenging task. Recent advances in deep learning showed the feasibility to use 3-D fully convolutional networks (FCN) for voxel-wise dense predictions in single energy computed tomography (SECT). In this paper, we proposed a 3D FCN based method for automatic multi-organ segmentation in DECT. The work was based on a cascaded FCN and a general model for the major organs trained on a large set of SECT data. We preprocessed the DECT data by using linear weighting and fine-tuned the model for the DECT data. The method was evaluated using 42 torso DECT data acquired with a clinical dual-source CT system. Four abdominal organs (liver, spleen, left and right kidneys) were evaluated. Cross-validation was tested. Effect of the weight on the accuracy was researched. In all the tests, we achieved an average Dice coefficient of 93% for the liver, 90% for the spleen, 91% for the right kidney and 89% for the left kidney, respectively. The results show our method is feasible and promising.

研究の動機と目的

• 組織のばらつき、軟部組織の変形、スペクトル差異に起因する、デュアルエナジーCT（DECT）における自動的多臓器セグメンテーションの課題に対処すること。
• 臓器またはエネルギー特異的 priors（事前知識）を必要とせずに、単エネルギーCT（SECT）で学習された深層学習ベースの3次元畳み込みネットワーク（FCNs）をDECTデータに適応させること。
• 事前処理済み混合画像における線形混合重みαがセグメンテーション精度に与える影響を評価し、異なる腹部臓器に対して最適なα値を特定すること。
• 臨床データを用いて、段階的3次元FCNアプローチがDECT多臓器セグメンテーションに実現可能で頑健であることを示すこと。

提案手法

• 線形重み付けによる混合画像の生成によりDECTデータを事前処理する：$ I_{\text{mix}} = \alpha \cdot I_{\text{low}} + (1-\alpha) \cdot I_{\text{high}} $、ここでαはブレンド重みである。
• 混合画像のしきい値処理により二値の皮膚マスクを生成し、解剖学的領域（ROI）を定義する。
• 2段階の段階的3次元U-Netアーキテクチャを採用：第1段階は粗いROIを予測し、第2段階で最終的なセグメンテーションを精緻化する。
• SECTデータで事前学習された一般化3次元U-NetモデルをDECT混合画像を用いてファインチューニングし、新しいモodalに適応させる。
• 予測値と正解ラベルのボクセル単位のソフトマックス交差エントロピー損失を用いてネットワークを学習する。
• 42例の臨床的DECTスキャン（二源CTシステムより得た）を用い、学習・検証・テストに5:1:1のランダム分割を実施する。

実験結果

リサーチクエスチョン

• RQ1 SECTデータで学習された段階的3次元FCNを、臓器またはエネルギー特異的 priors を一切用いずにDECTデータに効果的にファインチューニングできるか？
• RQ2 事前処理済み混合画像における線形混合重みαが、異なる腹部臓器のセグメンテーション精度にどのように影響するか？
• RQ3 各臓器のセグメンテーション性能を最大化するために、トレーニングおよびテストに最適なα値は何か？
• RQ4 トレーニングとテストのα値を一致させた場合、不一致の組み合わせと比較してセグメンテーション精度が向上するか？
• RQ5 患者スキャンにおける疾患状態（例：腫瘍）がセグメンテーション性能に与える影響は何か？

主な発見

• クロスバリデーションの全フォールドにおいて、肝臓で平均Dice係数93%、脾臓で90%、右腎臓で91%、左腎臓で89%を達成した。
• 肝臓の最高Diceスコア（93.3%）は、α_training = 0.9 および α_test = 0.9 の組み合わせで達成され、高コントラストで低エネルギーに近い画像でより良い性能を示した。
• 脾臓のセグメンテーションは、α_training = 0.6 および α_test = 0.6 のとき（Dice = 0.899）で最も正確で、最適なSNRとコントラストのバランスが得られた。
• 左腎臓は、α = 0.9 でトレーニングおよびテストした場合に最良のセグメンテーション（Dice = 0.892）を達成した。右腎臓は、α = 0.9–0.9 の組み合わせで最良（Dice = 0.905）を記録した。
• α_training = 0.9 および α_test = 0.6 の組み合わせが脾臓セグメンテーションで最良（Dice = 0.900）を達成し、臓器ごとに最適なα値が異なることが示された。
• 本研究では、高コントラスト画像（α = 0.9）でトレーニングしたモデルが、低コントラストテスト画像（α = 0.3）をセグメンテーションする際に、逆の組み合わせよりも優れた性能を示した。これはコントラスト不一致に対して頑健であることを示唆している。