[論文レビュー] Whole-Body Lesion Segmentation in 18F-FDG PET/CT

Jia Zhang, Yukun Huang+2 more|arXiv (Cornell University)|Sep 16, 2022

Medical Imaging Techniques and Applications被引用数 4

ひとこと要約

本稿では、18F-FDG PET/CTスキャンにおける全臓器病変分類のため、ResNet18をバックボーンとする2次元-3次元のnnUNetモデルを提案する。2次元ネットワークの軸断面への感受性と、3次元ResNetベースのネットワークによるボリュメトリックな文脈を統合することで、AutoPetチャレンジで最先端の性能を達成した。重み付き融合と後処理により、誤検出と誤検出を低減し、全被験者群におけるDiceスコアは0.79を達成した。

ABSTRACT

There has been growing research interest in using deep learning based method to achieve fully automated segmentation of lesion in Positron emission tomography computed tomography(PET CT) scans for the prognosis of various cancers. Recent advances in the medical image segmentation shows the nnUNET is feasible for diverse tasks. However, lesion segmentation in the PET images is not straightforward, because lesion and physiological uptake has similar distribution patterns. The Distinction of them requires extra structural information in the CT images. The present paper introduces a nnUNet based method for the lesion segmentation task. The proposed model is designed on the basis of the joint 2D and 3D nnUNET architecture to predict lesions across the whole body. It allows for automated segmentation of potential lesions. We evaluate the proposed method in the context of AutoPet Challenge, which measures the lesion segmentation performance in the metrics of dice score, false-positive volume and false-negative volume.

研究の動機と目的

• 18F-FDG PET/CTスキャンにおける全臓器病変分類の完全自動化されたディープラーニングベースの手法を開発し、がんの予後予測および治療計画支援を目的とする。
• CTの構造的情報を活用して、脳、膀胱、腎臓などの臓器における生理的FDG取り込みと悪性病変を区別する課題に対処する。
• nnUNetフレームワーク内に2次元および3次元ネットワークアーキテクチャを統合することで、軸断面への感受性と3次元ボリュームコンテキストの両方を活用し、分類精度を向上させる。
• 重み付き融合戦略と新規の後処理手法により、誤検出と誤検出を低減する。

提案手法

• 提案手法は、2次元UNetと3次元フル解像度ResUNet（3D F-Res）を独立に学習し、その予測結果を重み付き平均で統合する、2次元-3次元のnnUNetアーキテクチャを採用する。
• 3D F-Resモデルは、エンコーダーバックボーンとしてResNet18を統合し、残差ユニットによる深層ネットワーク接続と情報の流れの向上を実現する。
• 2次元UNetは448×448のパッチサイズで軸断面を処理し、細粒度の平面特化型病変特徴を捉える。
• 3次元F-Resモデルは128×128×128のパッチサイズを用い、スライス間の空間的文脈をモデル化するボリュメトリックデータを処理する。
• 統合は重み付き組み合わせにより実施：$\text{softmax}_{\text{pred}} = 0.55 \times \text{softmax}_{3D} + 0.45 \times \text{softmax}_{2D}$、3次元出力を優先する。
• 高取り込み生理的領域における誤検出をさらに低減するため、後処理手法を適用する。

実験結果

リサーチクエスチョン

• RQ1 2次元-3次元のnnUNetアーキテクチャは、単独の2次元または3次元モデルと比較して、18F-FDG PET/CTにおける全臓器病変分類の精度を向上させることができるか？
• RQ2 3次元nnUNetにResNet18をバックボーンとして統合することで、従来のUNetバックボーンと比較して、病変分類性能が向上するか？
• RQ3 2次元および3次元予測の重み付き統合は、誤検出と誤検出のバランスにどのように影響するか？
• RQ4 低解像度予測を高解像度モデルと段階的に組み合わせることで、分類性能が向上するか、それとも解像度損失により劣化するか？
• RQ5 後処理により、腸管や膀胱などの生理的FDG取り込み領域における誤検出はどの程度低減可能か？

主な発見

• 2次元-3次元統合モデルは、AutoPetチャレンジの検証セットで最高の全体順位（1位）を達成し、Diceスコア、誤検出体積、誤検出体積のすべてで他モデルを上回った。
• 統合モデルは全被験者群でDiceスコア0.79を達成し、肺がんでは0.83、メラノーマでは0.78、リンパ腫では0.74を記録した。
• 3D F-Resモデルは、全疾患タイプで最小の誤検出体積（1.93）を示し、優れた病変検出能力を示した。
• 3D L-Resモデルは最小の誤検出体積（0.51）を示したが、最大の誤検出体積（9.93）を示し、感度と特異度のトレードオフが顕在化した。
• 2次元UNetモデルは最小の誤検出体積（1.63）を示したが、最大の誤検出体積（4.60）を示し、非病変領域における誤検出への感受性が顕著に高かった。
• 統合モデルは、メラノーマおよび陰性症例における誤検出を効果的に低減し、肺がんにおける見逃し病変に対しても補完的特長を示した。2次元および3次元ブランチの相補的強みを効果的に活用した。